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

Fuente y elaboración: Propia

-       Sepal Width

ggplot(datos, aes(y=Sepal.Width)) + geom_boxplot()

FIGURA 2: Bloxplot Sepal Width


Fuente y elaboración: Propia

-       Petal Length

ggplot(datos, aes(y=Petal.Length)) + geom_boxplot()

FIGURA 3: Bloxplot Petal Length


Fuente y elaboración: Propia

-       Petal Width

ggplot(datos, aes(y=Petal.Width)) + geom_boxplot()

FIGURA 4: Bloxplot Petal Width

Fuente y elaboración: Propia

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


Fuente y elaboración: Propia

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


Fuente y elaboración: Propia

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


Fuente y elaboración: Propia

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 


Fuente y elaboración: Propia

3 clústeres

km2 <- kmeansruns(datos_estandarizados, krange = 3, runs = 100)

km2

fviz_cluster(km2, data = datos_estandarizados)

FIGURA 9: 3 CLÚSTERES 


Fuente y elaboración: Propia


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


Fuente y elaboración: Propia

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

 Mayor a 0.7 y sin valores disueltos

 

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

 Mayor a 0.7 pero con valores disueltos

FIGURA 11: Método Complete


Fuente y elaboración: Propia

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