Agrupamiento (Clusters)

Teoría

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

Algunos usos típicos de esta tecnica son:

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

Paso 1. Instalar paquetes y llamar librerías

# install.packages("cluster")  #Analisis 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 optimización de numeros cluster
library(factoextra)

Paso 2. Obtener los datos

# 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, 7)
)

Paso 3. Entender los datos

# Paso 3. Entender los datos
summary(df1)

##        x               y         
##  Min.   :1.000   Min.   : 2.900  
##  1st Qu.:2.000   1st Qu.: 4.000  
##  Median :4.500   Median : 5.000  
##  Mean   :4.375   Mean   : 5.737  
##  3rd Qu.:6.250   3rd Qu.: 7.250  
##  Max.   :8.000   Max.   :10.000

str(df1)

## '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 7

Paso 4. Escalar los datos

# Sólo si los datos no están en la misma escala.
# datos_escalados <- scale(datos_originales)

Paso 5. Determinar números de grupos

# Siempre es un valor inicial "cualquiera". Luego optimiza.
plot(df1$x,df1$y)

grupos1 <- 3

Paso 6. Generar los grupos

clusters1 <- kmeans(df1, grupos1)
clusters1

## K-means clustering with 3 clusters of sizes 2, 3, 3
## 
## Cluster means:
##          x        y
## 1 1.500000 3.950000
## 2 3.666667 8.333333
## 3 7.000000 4.333333
## 
## Clustering vector:
## [1] 2 1 3 2 3 3 1 2
## 
## Within cluster sum of squares by cluster:
## [1] 2.705000 9.333333 2.666667
##  (between_SS / total_SS =  82.9 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Paso 7. Optimizar números los grupos

set.seed(123)
optimizacion <- clusGap(df1, FUN=kmeans, nstar= 1, K.max=7)
# El K.max normalmente es 10. en este ejercicio al ser 8 datos se dejó en 7
plot(optimizacion, xlab= "Número clusters k", main="optimización de Clusters")

# Se selecciona como óptimo de clusters

Paso 8. Graficar los grupos

fviz_cluster(clusters1, data=df1)

Paso 9. Agregar clusters a la base de dsatos

df1_clusters <- cbind(df1, clusters1$cluster)
head(df1_clusters)

##   x  y clusters1$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

Conclusiones

La técnica de clustering permite identicar patrones o grupos naturales en los datso sin necesidad de etiquetas previas