Agrupamiento por clousters

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 datos
• detección de anormalidades
• catagorización de documentos

PASO 1:Instalar Paqueterias y Llamado de Librerias

#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 optimizacion de numero de datos
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)

##        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 el Número de Grupos

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

cluster1 <- 3

PASO 6: Generar los Grupos

set.seed(123)
cluster1 <- kmeans (df1,cluster1)
cluster1

## 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

set.seed(123)
optimizacion1 <- clusGap(df1, FUN=kmeans, nstart=1, K.max=7)
#El K.max normalmente es 10, en este ejercicio al ser 8 datos se quedaron 7.
plot(optimizacion1, xlab="Número de clusters k", main= "optimizacion de clusters")

#se seleccionacomo óptimo de clusters

PASO 8 : Graficar Grupos

fviz_cluster(cluster1, data=df1)

PASO 9 : Agregar clusters a la BASE DE DATOS

df1_clusters <- cbind(df1, cluster = cluster1$cluster)
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

conclusiones

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