Biclustering es una técnica de minería de datos que clasifica la información en una matriz asignando las filas y columnas de la matriz al mismo tiempo. En el núcleo de esta técnica está la eficiencia, lo que permite que la computadora revise y clasifique una gran cantidad de datos en un período de tiempo más corto en comparación con los métodos de agrupación en clústeres individuales. Biclustering es simplemente un título general de una clase particular de técnicas de minería de datos; Hay muchos algoritmos diferentes que pueden incluirse en esta categoría, incluido el agrupamiento en bloques, el modelo Plaid, el agrupamiento bidireccional acoplado y el agrupamiento bidireccional interrelacionado.
Para comprender la importancia del biclustering, primero se debe comprender el concepto general de minería de datos. La minería de datos consiste en tomar una gran cantidad de datos, como información descargada de la base de datos principal de una empresa, y clasificarlos para identificar tendencias y otros patrones útiles. Este tipo de análisis se puede utilizar para determinar patrones que de otro modo no se harían evidentes mediante un estudio casual, como las tendencias de compra de los consumidores y las fluctuaciones del mercado de valores. La minería de datos puede ser realizada manualmente por un analista humano o electrónicamente utilizando un tipo de algoritmo de minería de datos; ahí es donde entra en juego el biclustering.
Durante el proceso de extracción de datos, la computadora que realiza el análisis intentará clasificar piezas de información relacionadas entre sí. Este proceso se conoce como «agrupación». La agrupación permite que la computadora flexione su inteligencia artificial al reconocer cuando dos o más piezas de información están relacionadas entre sí, colocándolas juntas en una matriz. Normalmente, las filas o las columnas de la matriz se llenan, pero solo una a la vez.
Biclustering elimina esto mediante la limitación al permitir que la computadora llene tanto las filas como las columnas al mismo tiempo. Esto mejora la eficiencia del proceso de agrupamiento, pero puede resultar en matrices dispuestas de manera diferente según el algoritmo particular que se utilice. Por ejemplo, una computadora que organice cosas con valores coincidentes constantes en filas en lugar de una que organice cosas con valores coincidentes constantes colocados en columnas generará matrices de aspecto diferente utilizando exactamente los mismos valores. No existe una forma «correcta» de agrupar los datos; todo depende de la situación particular y las preferencias de la persona que realiza la extracción de datos.