FLORES "IRIS" ANALISIS DE CONGLOMERADOS – K MEDIA
Resumen
En este artículo se realiza una descripción del análisis de conglomerados realizado con el conjunto de datos Iris utilizando el algoritmo k-medias permitió agrupar las observaciones de iris en clústeres basados en sus características morfológicas.
En resumen, el análisis de conglomerados con k-medias
proporcionó una forma de explorar y comprender la estructura de los datos de
iris, identificando patrones de agrupación que pueden tener implicaciones
biológicas y prácticas. Estos resultados pueden servir como punto de partida
para análisis más detallados o para la aplicación en contextos prácticos, como
la clasificación automática de nuevas observaciones de iris.
1. Introducción
La base de datos Iris es un conjunto clásico de datos
utilizado en el campo de la estadística y el aprendizaje automático. Fue
introducida por el estadístico británico y biólogo Ronald Fisher en 1936. Esta
base de datos contiene mediciones de cuatro variables morfológicas de tres
especies diferentes de iris. A continuación, describo las características de la
base de datos Iris:
Número de observaciones: La base de datos Iris contiene un
total de 150 observaciones.
Variables: Hay cuatro variables incluidas en la base de
datos, todas numéricas:
Longitud del sépalo (Sepal Length): Medida en centímetros.
Anchura del sépalo (Sepal Width): Medida en centímetros.
Longitud del pétalo (Petal Length): Medida en centímetros.
Anchura del pétalo (Petal Width): Medida en centímetros.
Especies de Iris: Cada observación está etiquetada con la
especie de iris a la que pertenece. Hay tres especies en total:
Iris setosa
Iris versicolor
Iris virginica
Balance de Clases: La base de datos Iris es equilibrada en
términos de las especies de iris representadas. Cada especie tiene 50
observaciones en el conjunto de datos.
Utilidad: La base de datos Iris se utiliza comúnmente como
un conjunto de datos de ejemplo para la enseñanza y la demostración de técnicas
de análisis de datos, clasificación y aprendizaje automático. Es especialmente
útil para la práctica de técnicas de clasificación, ya que las tres especies de
iris presentan características morfológicas distintivas que pueden ser
clasificadas mediante algoritmos de aprendizaje automático.
En resumen, la base de datos Iris es un conjunto de datos
clásico y bien conocido que contiene mediciones de cuatro variables
morfológicas de tres especies diferentes de iris. Es una herramienta valiosa
para la enseñanza y la práctica de técnicas de análisis de datos y aprendizaje
automático.
2. Metodología
El algoritmo de k-medias es un método de agrupamiento utilizado en análisis de conglomerados. Su objetivo es dividir un conjunto de datos en k grupos distintos, minimizando la suma de cuadrados de las distancias de cada punto de datos al centroide de su grupo correspondiente.
Inicialmente, se seleccionan aleatoriamente k centroides como
puntos iniciales de los grupos. Luego, se asigna cada punto de datos al grupo
cuyo centroide esté más cerca, y se recalculan los centroides como la media de
todos los puntos asignados a cada grupo. Este proceso de asignación y
actualización de centroides se repite iterativamente hasta que los centroides
convergen o se alcanza un criterio de detención predefinido, como un número
máximo de iteraciones.
Es ampliamente utilizado debido a su simplicidad y eficiencia, pero puede ser sensible a la inicialización de los centroides y puede converger a óptimos locales en lugar del óptimo global. Es importante elegir cuidadosamente el número de grupos k y realizar múltiples ejecuciones del algoritmo con diferentes inicializaciones para obtener resultados más robustos. El proceso se lleva a cabo en los siguientes pasos:
Inicialización: Se eligen aleatoriamente k centroides iniciales, uno para cada grupo.
Asignación de Puntos: Cada punto
de datos se asigna al grupo cuyo centroide está más cerca. La distancia más
comúnmente utilizada es la distancia euclidiana.
Actualización de Centroides: Se
recalculan los centroides de cada grupo como la media de todas las
observaciones asignadas a ese grupo.
Repetición: Los pasos 2 y 3 se
repiten hasta que los centroides no cambian significativamente o se alcanza un
número máximo de iteraciones.
Convergencia: El algoritmo
converge cuando los centroides no cambian significativamente entre iteraciones.
Fórmulas del Algoritmo k-medias:
Distancia Euclidiana: La
distancia euclidiana entre dos puntos X y Y en un espacio de n dimensiones se
calcula como:
$d(\mathbf{p}, \mathbf{q}) = \sqrt{(p_1 - q_1)^2 + (p_2 - q_2)^2 + ... + (p_n - q_n)^2}$
Centroide de un Grupo: El centroide de un grupo G con m puntos de datos en un espacio de n dimensiones se calcula como:
$\mathbf{c} = \frac{1}{n} \sum_{i=1}^{n} \mathbf{x}_i$
Donde ${x}_i$ son los puntos de datos en el grupo G.
Estas fórmulas son utilizadas en el proceso de asignación de puntos y actualización de centroides en cada iteración del algoritmo k-medias.
3. Resultados
Se utilizó R
para el cálculo de acuerdo con el siguiente detalle:
Cargado y
transformación de base de datos
library(cluster)
library(ggplot2)
data(iris)
head(iris)
datos <- iris[, -5]
Exploración
de datos
- Sepal Length
ggplot(datos,
aes(y=Sepal.Length)) + geom_boxplot()
FIGURA 1: Bloxplot Sepal Length
-
Sepal Width
ggplot(datos,
aes(y=Sepal.Width)) + geom_boxplot()
FIGURA 2: Bloxplot Sepal Width
-
Petal Length
ggplot(datos, aes(y=Petal.Length)) + geom_boxplot()
FIGURA 3: Bloxplot Petal Length
- Petal
Width
ggplot(datos, aes(y=Petal.Width)) + geom_boxplot()
FIGURA 4: Bloxplot Petal Width
Se observa que no existen datos
atípicos en las variables analizadas excepto en Sepal Width, dado que presenta
como cuatro datos atípicos hacia arriba.
Posterior se estandariza los datos para mejor uso del
algoritmo k medias:
datos_estandarizados <-
scale(datos)
head(datos_estandarizados)
Hacemos un
PCA para conocer las características
pca1 <- princomp(datos_estandarizados)
fviz_pca_ind(pca1)
plot3d(pca1$scores[,1:3])
FIGURA 5: PCA
Se observa el agrupamiento evidente en dos clusters a ser
demostrado con los siguientes métodos.
MÉTODO
DEL CODO
fviz_nbclust(datos_estandarizados,kmeans, method =
"wss")+ labs(subtitle
="Error") +
geom_vline(xintercept = 2, linetype = 2)
FIGURA 6: Diagrama de Codo
Se observa
que se denota en el clúster 2 que el comportamiento se inicia la estabilidad.
MÉTODO DE
LA SILUETA
fviz_nbclust(datos_estandarizados,kmeans, method =
"silhouette")+
labs(subtitle ="Silhouette")
FIGURA 7: Diagrama de Silueta
El método
sugiere que se utilice dos clústeres de agrupamiento. Se prueba con dos, tres y
cuatro clústeres para ver los resultados.
Método Gap statistic
2
clústeres
km1 <- kmeansruns(datos_estandarizados, krange = 2, runs =
100)
km1
fviz_cluster(km1, data = datos_estandarizados)
Se explica
en un 62.9%
FIGURA 8: 2 CLÚSTERES
3 clústeres
km2 <- kmeansruns(datos_estandarizados, krange = 3, runs =
100)
km2
fviz_cluster(km2, data = datos_estandarizados)
FIGURA 9: 3 CLÚSTERES
Se explica
en un 76.7%
4
clústeres
km3 <- kmeansruns(datos_estandarizados, krange = 4, runs =
100)
km3
fviz_cluster(km3, data = datos_estandarizados)
FIGURA 10: 4 CLÚSTERES
Se explica
en un 81.0%
Método Complete
seed=123
res_nbclust
<- NbClust(datos_estandarizados, distance ="euclidean",
min.nc = 2, max.nc = 10,
method = "complete",
index = "all")
* 2 proposed 2 as the best number of
clusters
* 18 proposed 3 as the best number
of clusters
* 3 proposed 10 as the best number of cluster
* According to the majority rule,
the best number of clusters is 3
Se evaluará
la estabilidad por el coeficiente Jaccard
K = 2
cf1 <- clusterboot(datos_estandarizados, B=100, bootmethod =
c("jitter", "boot"),
clustermethod =
kmeansCBI, krange = 2, seed=123)
print(cf1)
Clusterwise Jaccard bootstrap (omitting multiple points) mean:
[1] 1 1
K = 3
cf2 <- clusterboot(datos_estandarizados, B=100, bootmethod =
c("jitter", "boot"),
clustermethod =
kmeansCBI, krange = 3, seed=123)
print(cf2)
Clusterwise Jaccard bootstrap (omitting multiple points) mean:
[1] 0.9354949 0.8381318 0.8342045
FIGURA 11: Método Complete
4. Conclusión
Basándonos en los resultados del
análisis de conglomerados basado en el algoritmo de K medias que realizamos
utilizando la base de datos de Iris, se tuvo las siguientes conclusiones:
-
Se seleccionó el número de grupos (k) como 2, se
realizó una evaluación más exhaustiva, como utilizando métodos como codo y
silueta entre grupos, para determinar el número óptimo de grupos.
-
Se identifica cómo se agrupan las observaciones
de iris en función de la longitud y la anchura del pétalo.
-
Los puntos se agrupan en dos regiones distintas,
lo que indica la presencia de dos grupos diferentes de observaciones de iris.
- El análisis de conglomerados nos permitió
identificar patrones de agrupación en la base de datos de IRIS.
5. Referencias
Hair, J. F., Black, W. C., Babin,
B. J., & Anderson, R. E. (1999). Análisis Multivariante quinta edición. Pretince
Hall International Inc.
Meneses J. (2019). Introducción al
Análisis Multivariante primera edición. FUOC
Cuadras C. (2014). Nuevos Métodos de Análisis Multivariante. CMC Editions











Comentarios
Publicar un comentario