class: center, middle, inverse, title-slide .title[ # Turkiye Student Evaluation ] .subtitle[ ## Analisis de cluster ] .author[ ### David Santiago Cajas - David Ricardo Ordoñez ] .date[ ### 21-09-2022 ] --- class: center, middle ## **Descripcion** Este conjunto de datos contiene un total de **5820** puntuaciones de evaluación proporcionadas por estudiantes de la **Universidad de Gazi en Ankara (Turquía).** Hay un total de **28** preguntas específicas del curso y **5** atributos adicionales. ## **Preprocesamiento de datos** Este conjunto maneja 5 atributos adicionales los cuales **"instr, class, repeat, attendance, difficulty"** son atributos categoricos, por ende procedemos a su eliminacion del dataset debido a que tocaria realizar una normalización de estos mismos y a su vez aumentaría el numero de atributos --- class = middle ## **Algoritmos Jerarquicos** En las matrices de distancia se hizo uso de los siguientes metodos: - **Método Euclidian** - **Método Maximum** - **Método Manhattan** - **Método Canberra** - **Método Binary** Se emplearon los tres tipos de módelo: - **Single** - **Centroide** - **Complete** Se realizaron todos los algoritmos con ocho cluster y con dos. --- class:center ### **Single**  --- class:center ### **Centroide**  --- class:center ### **Complete**  --- ## **Algoritmo Investigado** DBSCAN: Density-based spatial clustering of applications with noise: Es un método de clusterización adecuado para buscar patrones de agrupación en el espacio físico ### **Ventajas** + DBSCAN no necesita que se especifique el número de clusters + Es más fácil de implementar y de entender + Con este método podemos garantizar que cada cluster tendrá un mínimo número de puntos ### **Desventajas** + DBSCAN es menos rápido que K-MEANS + No funciona bien en clusters de diferentes densidades + Los parámetros deben ser elegidos con mayor cuidado o precisión --- class:center,middle ## **Implementacion De DBSCAN** ### **Codigo**  --- class:center,middle ### **Radio de los clusters**  --- class:center,middle ### **Generando los clusters**  --- class:center, middle ## **K-means** ### **Analisis K-means**  --- class:center, middle  --- class:center, middle  --- class:center, middle  --- class:center,middle ## **Calidad de los clusters**  --- class:center,middle ## **Codigo Indices**  ## **Numero dunn**  --- class:center,middle ## **Descripcion de los grupos** ### **K-means**  --- class:center,middle ### **DBSCAN**  --- class:center,middle ### **Maximum**  --- class:center,middle ### **Canberra**  --- class:center,middle ### **Euclidean**  --- class:center,middle ### **Manhattan**  --- class:center,middle ### **Binario**  --- class:center ## **Bibliografia** @[kodinariya2013review] @[birant2007st]