Segmentación (Clusters)

Teoría

Agrupamiento o Clustering Aprendizaje automático no supervisado que agrupa datos en función de su suimilitud.

Algunos usos típicos de técnica son: Segmentación de cientes Dirección de anormalidades *Categorización de documentos

Instalar paquetes y llamar librerías

#install.packeges("cluster") #Análisis de Agrupamiento
library(cluster)
#install.packeges("ggplot2") #Graficar
library(ggplot2)
#install.packeges("data.table") #Manejo de muchos datos
library(data.table)
#install.packages("factoextra") #Grafica optimización de número de clusters
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 están 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 los grupos

cluster1 <- kmeans(df1,grupos1)
cluster1

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

library(cluster)
library(factoextra)  # opcional para graficar bonito

set.seed(123)

optimizacion <- clusGap(
  df1,
  FUNcluster = kmeans,  # <- nombre correcto del argumento
  K.max = 7,            # <- K mayúscula
  B = 50,               # bootstraps (50 rápido; 500 más estable)
  nstart = 10
)

# Gráfica base de clusGap
plot(optimizacion, xlab = "Número de clusters k")

# (Opcional) con factoextra:
fviz_gap_stat(optimizacion)

# Paso 8: Graficar los 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       3
## 2 2  5       1
## 3 8  4       2
## 4 5  8       3
## 5 7  5       2
## 6 6  4       2

Paso 10: Conclusiones

La técnico de clustering permite identificar patrones o grupos naturales en los datos sin necesidade de etiquetas previas.