Agrupamiento (Clústers)

Teoría

Agrupamiento o clustering es una técnica de aprendizaje automático no supervisado que agrupa datos en función de su similitud.

Algunos usos típicos de esta técnica son:

• Segmentación de clientes
• Detección de anormalidades
• Categorización de documentos

Paso 1.Instalar paquetes y llamar librerías

#install.packages("cluster") #Análisis de agrupamiento
library(cluster)
#install.packages("ggplot2") #Graficar
library(ggplot2)
#install.packages("data.table") #Manejo de muchos datos
library(data.table)
#install.packages("factoextra") #Gráfica de optimización de númeor de clústers
library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

Paso 2.Obtener los datos

df1 <- data.frame(x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))

Paso 3.Entender los datos

summary(df1) #Da min,max,mean chr no da nada

##        x               y         
##  Min.   :1.000   Min.   : 2.000  
##  1st Qu.:2.000   1st Qu.: 4.000  
##  Median :4.500   Median : 5.000  
##  Mean   :4.375   Mean   : 5.875  
##  3rd Qu.:6.250   3rd Qu.: 8.250  
##  Max.   :8.000   Max.   :10.000

str(df1) #Da structura, si es numerico o chr

## 'data.frame':    8 obs. of  2 variables:
##  $ x: num  2 2 8 5 7 6 1 4
##  $ y: num  10 5 4 8 5 4 2 9

Paso 4.Escalar los datos

#Solo si los datos no están en la misma escala.
#No se ocupara por el momento pero es el código.
#datos_escalados <- scale(datos_originales) 
#Escala cercanos a 0 y a 1 para hacer clusters

Paso 5.Determinar número de grupos

#Siempre es un valor inicial "cualquiera", luego se optimiza.
plot(df1$x,df1$y) #El $ es para especificar una columna

grupos1 <- 3 #Los que consideremos después de ver el visual

Paso 6.Generar los grupos

set.seed(123)  # Fijar semilla para que los números aleatorios sean reproducibles

clusters1 <- kmeans(df1,grupos1)
clusters1 #Para verificar el mismo numero debe de estar al principio, enmedio y al final de "clustering vector: "

## K-means clustering with 3 clusters of sizes 2, 3, 3
## 
## Cluster means:
##          x        y
## 1 1.500000 3.500000
## 2 3.666667 9.000000
## 3 7.000000 4.333333
## 
## Clustering vector:
## [1] 2 1 3 2 3 3 1 2
## 
## Within cluster sum of squares by cluster:
## [1] 5.000000 6.666667 2.666667
##  (between_SS / total_SS =  85.8 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Paso 7.Optimizar el número de grupos

#**No funcionó el código del profe**
# Calcular la función Gap Statistic para determinar el número óptimo de clusters
#optimizacion1 <- clusGap(df1, FUN = kmeans, nstart = 1, k.max = 7)

# Nota: k.max normalmente se fija en 10, pero en este ejercicio con 8 datos se dejó en 7
#plot(optimizacion1, xlab = "Número de clusters k", main= "Optimización de Clusters")

# El número óptimo de clusters se elige como el primer valor donde la brecha (Gap) es máxima

set.seed(123)  # Para reproducibilidad

# Gap Statistic con kmeans
optimizacion1 <- clusGap(
  df1,
  FUN = function(x, k) kmeans(x, centers = k, nstart = 25), 
  K.max = 7,
  B = 100   # número de simulaciones bootstrap (más alto = más preciso)
)

# Graficar resultados
plot(optimizacion1, xlab = "Número de clusters k", main = "Optimización de Clusters")

Paso 8.Graficar los grupos

fviz_cluster(clusters1, data=df1)

Paso 9.Agregar grupos a la Base de Datos

df1_clusters <- cbind(df1, cluster = clusters1$cluster) #Agrega la columna
head(df1_clusters)

##   x  y cluster
## 1 2 10       2
## 2 2  5       1
## 3 8  4       3
## 4 5  8       2
## 5 7  5       3
## 6 6  4       3

Paso 10.Conclusión

La técnica de clusetring permite identificar patrones o grupos naturales en los datos sin necesidad de etiquetas previas.