---
title: "Cluster - Puntos, USArrest y clientes"
author: "Kamilah Chaidez A01741943"
date: "2026-08-25"
output:
html_document:
toc: TRUE
toc_float: TRUE
code_download: TRUE
theme: darkly
---
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 clientes
- Detección de anormalidades
- Categorización de documentos
Instalar paquetes y llamar librerías
library(cluster)
library(ggplot2)
library(data.table)##
## Attaching package: 'data.table'## The following object is masked from 'package:base':
##
## %notin%library(factoextra)## Welcome to factoextra!## Want to learn more? See two factoextra-related books at https://www.datanovia.com/library/principal-component-methodslibrary(datasets)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:data.table':
##
## between, first, last## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionEjercicio 1. Puntos
Contexto
Agrupa los siguientes 8 puntos.
Obtener 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 número 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 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 dejó en 7.
plot(optimizacion1, xlab="Número de clusters k", main="Optimización de Clusters")
# Se selecciona como óptimo el primer punto más alto.
# Si es diferente al original, regresar y ajustar.Graficar los puntos
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 3Conclusiones
La técnica de clustering permite identificar patrones o grupos naturales en los datos sin necesidad de etiquetas previas.
Ejercicio 2. USArrest
Contexto USArrest
La base de datos USArrests contiene estadísticas de arrestos por cada 100,000 residentes por agresión, asesinato y violación en cada uno de los 50 estados de EE.UU. en 1973.
Obtener 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)
clusters2## K-means clustering with 5 clusters of sizes 7, 14, 17, 4, 8
##
## Cluster means:
## Murder Assault Rape
## 1 0.8292944 1.3313823 0.90560938
## 2 -1.0812577 -1.0779212 -1.00700542
## 3 -0.2754591 -0.2999280 -0.12336985
## 4 0.4562038 0.9358314 2.26533514
## 5 1.5238170 0.8908337 0.09934463
##
## Clustering vector:
## Alabama Alaska Arizona Arkansas California
## 5 4 1 3 4
## Colorado Connecticut Delaware Florida Georgia
## 4 2 3 1 5
## Hawaii Idaho Illinois Indiana Iowa
## 2 2 1 3 2
## Kansas Kentucky Louisiana Maine Maryland
## 3 3 5 2 1
## Massachusetts Michigan Minnesota Mississippi Missouri
## 3 1 2 5 3
## Montana Nebraska Nevada New Hampshire New Jersey
## 3 2 4 2 3
## New Mexico New York North Carolina North Dakota Ohio
## 1 1 5 2 3
## Oklahoma Oregon Pennsylvania Rhode Island South Carolina
## 3 3 3 2 5
## South Dakota Tennessee Texas Utah Vermont
## 2 5 5 3 2
## Virginia Washington West Virginia Wisconsin Wyoming
## 3 3 2 2 3
##
## Within cluster sum of squares by cluster:
## [1] 3.380664 5.645542 9.205038 1.346517 4.683603
## (between_SS / total_SS = 83.5 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"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 alto.Graficar los grupos
fviz_cluster(clusters2, data=df2_escalados)
Agregar grupos a la base de datos
df2_clusters <- cbind(df2, cluster = clusters2$cluster)
head(df2_clusters)## Murder Assault Rape cluster
## Alabama 13.2 236 21.2 5
## Alaska 10.0 263 44.5 4
## Arizona 8.1 294 31.0 1
## Arkansas 8.8 190 19.5 3
## California 9.0 276 40.6 4
## Colorado 7.9 204 38.7 4df2_clusters %>%
group_by(cluster) %>%
summarise_all(mean)## # A tibble: 5 × 4
## cluster Murder Assault Rape
## <int> <dbl> <dbl> <dbl>
## 1 1 11.4 282. 29.7
## 2 2 3.08 80.9 11.8
## 3 3 6.59 146. 20.1
## 4 4 9.78 249. 42.4
## 5 5 14.4 245 22.2Agregar grupos a la base de datos
df2_clusters <- cbind(df2, cluster = clusters2$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 AltaEjercicio 3. Segmentación de clientes
La base de datos ventas tiene los registros entre el 1 de
diciembre de 2010 y el 9 de diciembre de 2011 de las ventas de una
emoresa minorista en línea sin tienda física, basada en Reino Unido. La
empresa vende principalmente regalos únicos para toda ocasión, y muchos
de sus clientes son mayoristas.
Objetivo: Segmentar clientes, asignarles nombres y características de
comportamiento, y proponer sugerencias a la empresa para aumentar ventas
# Ejercicio 3. Segmentación de
clientes