Este artículo propone un nuevo método de aprendizaje de métricas de distancia ordinal para abordar el problema de agrupamiento de datos categóricos. El agrupamiento de datos categóricos existente presenta pérdida de información debido a la falta de un espacio métrico claro, como la distancia euclidiana. Para abordar esto, este artículo propone una nueva métrica de distancia ordinal que aprende la relación ordinal óptima entre los valores de los atributos categóricos y cuantifica la distancia a lo largo de una línea recta, de forma similar a un atributo numérico. Considerando la naturaleza ambigua y difusa de los datos categóricos, desarrollamos un nuevo paradigma de aprendizaje conjunto que realiza simultáneamente el agrupamiento y el aprendizaje de métricas de distancia ordinal. Este método presenta una baja complejidad computacional, convergencia garantizada y alcanza una excelente precisión de agrupamiento en conjuntos de datos categóricos y mixtos. Además, la métrica de distancia ordinal aprendida facilita la comprensión y la gestión de datos categóricos no intuitivos. Los resultados experimentales demuestran la eficacia del método propuesto, y el código fuente también está disponible públicamente.
