“Introduccion_Clase1_Agrupamiento (Clusters)”

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 dclientes
• Detección de anormalidades
• Categorización de documentos

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

2. Obtener los datos

df1 <- data.frame(x = c(2,2,8,5,7,6,1,4), y = c(10,5,4,8,5,3,2,9))

3. Entender los datos los datos

summary(df1)

##        x               y        
##  Min.   :1.000   Min.   : 2.00  
##  1st Qu.:2.000   1st Qu.: 3.75  
##  Median :4.500   Median : 5.00  
##  Mean   :4.375   Mean   : 5.75  
##  3rd Qu.:6.250   3rd Qu.: 8.25  
##  Max.   :8.000   Max.   :10.00

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 3 2 9

4. Escalar los datos

# datos_escalados <- scale(df1)

5. Determinar el número de grupos

plot(df1$x,df1$y)

grupos1 <- 3

6. Generar grupos

set.seed(123)
clusters1 <- kmeans(df1, grupos1)
clusters1

## K-means clustering with 3 clusters of sizes 2, 3, 3
## 
## Cluster means:
##          x   y
## 1 1.500000 3.5
## 2 3.666667 9.0
## 3 7.000000 4.0
## 
## Clustering vector:
## [1] 2 1 3 2 3 3 1 2
## 
## Within cluster sum of squares by cluster:
## [1] 5.000000 6.666667 4.000000
##  (between_SS / total_SS =  85.1 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

7. Optimizar el número de grupos

set.seed(123)
optimizacion <- clusGap(df1, FUN = kmeans, nstart = 1, K.max = 7)
plot(optimizacion, xlab = "Número de clusters k", main = "Optimización")

8. Graficar los cluster

fviz_cluster(clusters1, data = df1)

9. Agregar los clusters a la base de datos

df1_cl <- cbind(df1, cluster = clusters1$cluster)
head(df1_cl)

##   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  3       3

10. Conclusiones

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