Segmentación (Cluster)

Teoría

Agrupaiento o Clustering es una técnica de aprendizaje no supervisado que agrupa datos en funcion de su similitud.

Algunos usos típicos de esta técnica son:

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

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") #Grafica optimización de numero de clusters
library(factoextra)

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

Paso 2. Obtener de 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)

##        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)

## '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 estan en la misma escala 
#datos_escalados<-scale(datos_originales)

Paso 5. Determinar número de grupos

#siempre es un valor inicial "cualquiera", luego se optimiza.
plot(df1$x, df1$y)

grupos1 <- 3 

Paso 6. Generar grupos

cluster1<-kmeans(df1,grupos1)
cluster1

## K-means clustering with 3 clusters of sizes 3, 3, 2
## 
## Cluster means:
##          x        y
## 1 7.000000 4.333333
## 2 3.666667 9.000000
## 3 1.500000 3.500000
## 
## Clustering vector:
## [1] 2 3 1 2 1 1 3 2
## 
## Within cluster sum of squares by cluster:
## [1] 2.666667 6.666667 5.000000
##  (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

set.seed(123)
optimizacion1<- clusGap(df1, FUN= kmeans, nstart=1, K.max = 7)

# el K.max normalmwnte es 10, en este ejercicio al ser 8 datos se dejo en 7
plot (optimizacion1, xlab="Número de clusters K", main="Optimización de Clusters")

# se selecciona como optimo el primero punto mas alto

Paso 8. Graficar los grupos

fviz_cluster(cluster1, df1)

Paso 9. Agregar Clusters a la Base de datos

df1_cluster<- cbind(df1, cluster = cluster1$cluster)
head(df1_cluster)

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

Paso 10. Conclusión

la tecnica de clusterinf permite identificar patrones o grupos naturales den los datos sin necesidad de etiquetas previas.