Cluster - Puntos USAArrests y clientes
Federico Colyer
2026-08-25
Teoria
Agrupamiento o clustering es una tecnica de aprendizaje automatico no supervisado que agrupa datos en funcion de su similitud.
Algunos usso tipicos de esta tecnica son:
- Segmentacion de clientes.
- Detecion de anormalidades.
- Catergorzacion de documentos.
Instalar paquetes y llamar librerias
#install.packages("cluster")
library(cluster)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("data.table")
library(data.table)##
## Attaching package: 'data.table'## The following object is masked from 'package:base':
##
## %notin%#install.packages("factoextra")
library(factoextra)## Welcome to factoextra!## Want to learn more? See two factoextra-related books at https://www.datanovia.com/library/principal-component-methodsEjercicio 1
Contexto
Agrupa los siguientes puntos.
Obterner datos
df1 <- data.frame(x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))Entender 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. :10.000str(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 9plot(df1$x,df1$y)
## Escalar datos
# datos_escalados <- scale(datos_originales)Asignar numero de grupos
grupos1 <- 3Agrupar los puntos
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 3.500000
## 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"Optimizar numero de grupos
set.seed(123)
optimizacion1 <- clusGap(df1, FUN=kmeans, nstart=1, K.max=7)
#El k.max normalment es 10 en este ejericio al ser 8 datos se dejo en 7
plot(optimizacion1, xlab="Numero de clusters k", main="Optimizacion de clusters")
## Graficar los grupos
fviz_cluster(clusters1,data=df1)
## Agregar grupos a la base de
datos
df1_clusters <- cbind(df1, cluster = clusters1$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 3Conclusion
La tecnica de *clustering permite identificar patrones o grupos maturales en los datos sin necesidad de etiquetas previas.
Ejercicio 2. US Arrests
Contexto
La base de datos US Arrests contiene estadísticas en arrestos por cada 100,000 residentes por agresión, asesinato y violacio2n en cada uno de los 50 estados de EE.UU. en 1973.
#install.packages("tidyverse")
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ lubridate 1.9.5 ✔ tibble 3.3.1
## ✔ purrr 1.2.2 ✔ tidyr 1.3.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between() masks data.table::between()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks data.table::first()
## ✖ lubridate::hour() masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ lubridate::isoyear() masks data.table::isoyear()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks data.table::last()
## ✖ lubridate::mday() masks data.table::mday()
## ✖ lubridate::minute() masks data.table::minute()
## ✖ lubridate::month() masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second() masks data.table::second()
## ✖ purrr::transpose() masks data.table::transpose()
## ✖ lubridate::wday() masks data.table::wday()
## ✖ lubridate::week() masks data.table::week()
## ✖ lubridate::yday() masks data.table::yday()
## ✖ lubridate::year() masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsObtener datos
df2 <- USArrests
df2 <- df2 %>% select(-UrbanPop)Entender datos
summary(df2)## Murder Assault Rape
## Min. : 0.800 Min. : 45.0 Min. : 7.30
## 1st Qu.: 4.075 1st Qu.:109.0 1st Qu.:15.07
## Median : 7.250 Median :159.0 Median :20.10
## Mean : 7.788 Mean :170.8 Mean :21.23
## 3rd Qu.:11.250 3rd Qu.:249.0 3rd Qu.:26.18
## Max. :17.400 Max. :337.0 Max. :46.00str(df2)## 'data.frame': 50 obs. of 3 variables:
## $ Murder : num 13.2 10 8.1 8.8 9 7.9 3.3 5.9 15.4 17.4 ...
## $ Assault: int 236 263 294 190 276 204 110 238 335 211 ...
## $ Rape : num 21.2 44.5 31 19.5 40.6 38.7 11.1 15.8 31.9 25.8 ...Escalar datos
df2_escalados <- scale(df2)
summary(df2_escalados)## Murder Assault Rape
## Min. :-1.6044 Min. :-1.5090 Min. :-1.4874
## 1st Qu.:-0.8525 1st Qu.:-0.7411 1st Qu.:-0.6574
## Median :-0.1235 Median :-0.1411 Median :-0.1209
## Mean : 0.0000 Mean : 0.0000 Mean : 0.0000
## 3rd Qu.: 0.7949 3rd Qu.: 0.9388 3rd Qu.: 0.5277
## Max. : 2.2069 Max. : 1.9948 Max. : 2.6444Asignar número de grupos
grupos2 <- 5Agrupar los puntos
set.seed(123)
clusters2 <- kmeans(df2_escalados,grupos2)Optimizar número de grupos
set.seed(123)
optimizacion2 <- clusGap(df2_escalados, FUN=kmeans, nstart = 1, K.max=10)
plot(optimizacion2, xlab="Número de Clusters K", main="Optimización de Clusters")
# Se selecciona como óptimo el primer punto más altoGraficar los grupos
fviz_cluster(clusters2,data=df2_escalados)
## Agregar grups a la base de datos
df2_clusters <- cbind(df2, cluster = clusters2$cluster)
head(df2_clusters)## Murder Assault Rape cluster
## Alabama 13.2 236 21.2 5
## Alaska 10.0 263 44.5 4
## Arizona 8.1 294 31.0 1
## Arkansas 8.8 190 19.5 3
## California 9.0 276 40.6 4
## Colorado 7.9 204 38.7 4df2_clusters %>% group_by(cluster) %>% summarise_all(mean) %>%
mutate(indicador_inseguridad=Murder+Assault+Rape)## # A tibble: 5 × 5
## cluster Murder Assault Rape indicador_inseguridad
## <int> <dbl> <dbl> <dbl> <dbl>
## 1 1 11.4 282. 29.7 323.
## 2 2 3.08 80.9 11.8 95.8
## 3 3 6.59 146. 20.1 172.
## 4 4 9.78 249. 42.4 301.
## 5 5 14.4 245 22.2 282.df2_clusters <- df2_clusters %>%
mutate(cluster = case_when(
cluster == 1 ~ "Inseguridad Muy Alta",
cluster == 4 ~ "Inseguridad Alta",
cluster == 5 ~ "Inseguridad Media",
cluster == 3 ~ "Inseguridad Baja",
cluster == 2 ~ "Inseguridad Muy Baja"
))
head(df2_clusters)## Murder Assault Rape cluster
## Alabama 13.2 236 21.2 Inseguridad Media
## Alaska 10.0 263 44.5 Inseguridad Alta
## Arizona 8.1 294 31.0 Inseguridad Muy Alta
## Arkansas 8.8 190 19.5 Inseguridad Baja
## California 9.0 276 40.6 Inseguridad Alta
## Colorado 7.9 204 38.7 Inseguridad AltaConclusiones
La técnica de clustering permite identificar patrones o grupos naturales en los datos sin necesidad de etiquetas previas.
Contexto
La base de datos ventas tiene los reogistros entre el 1 de diciembre de 2010 y el 9 de diciembre de 2011 de las vetnas de una empresa minorista en linea sin tienda fisica, basada en Reino Unido. La empresa vende princpipalmente regalos unicos para toda ocasion, y muchos de sus clientes son mayoristas. Objetivo: Segmetnar clientes, asignarles nombre y caracteristicas de comportamiento, y proponer sugerencias a la empresa para aumentas ventas.
#file.choose()
ventas <- read.csv("/Users/fedecolyerjr/Desktop/ventas.csv")