Reto:Representación de los resultados del modelo

Clase 33 de 34 • Curso Profesional de Ciencia de Datos 2019

Paso 5: Elabora un gráfico interactivo con Shiny

Haz uso de Shiny para publicar una webapp que represente los resultados de la clusterización de los jugadores.

¡Prueba a pares a encontrar correlaciones o grupos muy definidos entre tus clusters!

Avanzado: Prueba a intentar reproducir alguna otra gráfica de la web shiny, desde graficas con D3 a otro tipo de visualizaciones.

¡Y sobre todo, compártelo con nosotros!

Xavier González

student•

Tengo algunas dudas en este apartado, estaría bien que despues de cada reto este disponible visualizar la solución para poder comparar. Muchas gracias

Dagoberto Porras Plata

student•

Estoy de acuerdo. Podemos ir comparando entre nosotros si deseas!

Edwin Jesset Barrientos Gonzales

student•

Alguien que completo recientemente?

Platzerito De Platzi

student•

Les comparto mi código importando data de un archivo csv que he recopilado haciendo web scraping sobre laptops en venta
1. contenido de: ui.R

a<-read.csv("dataNormalizada.csv")
a<-a[,-1] #elimina data que no es numerica
vars<-names(a)
pageWithSidebar(
  headerPanel('Laptops Amazon k-means clustering'),
  sidebarPanel(
    selectInput('xcol', 'X Variable', vars),
    selectInput('ycol', 'Y Variable', vars,
                selected=vars[[2]]),
    numericInput('clusters', 'Cluster count', 3,
                 min = 1, max = 9)
  ),
  mainPanel(
    plotOutput('plot1')
  )
)

2. Contenido de: server.R

function(input, output, session) {
  a<-read.csv("dataNormalizada.csv")
  a<-a[,-1] #elimina data que no es numerica
  # Combine the selected variables into a new data frame
  selectedData <- reactive({
    a[, c(input$xcol, input$ycol)]
  })
  clusters <- reactive({
    kmeans(selectedData(), input$clusters)
  })
  output$plot1 <- renderPlot({
    palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
              "#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
    par(mar = c(5.1, 4.1, 0, 1))
    plot(selectedData(),
         col = clusters()$cluster,
         pch = 20, cex = 3)
    points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
  })
}

3. Resultado

JAVIER SANTIAGO SALGADO

student•

Que bien te quedo, me ayudaste adicional al ver un detalle en la nueva documentación del Kmeans, en mi caso voy a sacar nuevos data sets como el tuyo

CLAUDIA CRISTINA APARICIO RUEDA

student•

muy bien!

Xavier González

student•

Alguien puede colgar todo el proyecto para poder comprobar como lo hemos hecho todos? Mychas gracias

Miguel Rodríguez

student•

Aquí un par de k-means que me llamaron la atención

a<-read.csv("dataNormalizada.csv")
a<-a[,-1] #elimina data que no es numerica
vars<-names(a)
pageWithSidebar(
  headerPanel('Laptops Amazon k-means clustering'),
  sidebarPanel(
    selectInput('xcol', 'X Variable', vars),
    selectInput('ycol', 'Y Variable', vars,
                selected=vars[[2]]),
    numericInput('clusters', 'Cluster count', 3,
                 min = 1, max = 9)
  ),
  mainPanel(
    plotOutput('plot1')
  )
)

function(input, output, session) {
  a<-read.csv("dataNormalizada.csv")
  a<-a[,-1] #elimina data que no es numerica
  # Combine the selected variables into a new data frame
  selectedData <- reactive({
    a[, c(input$xcol, input$ycol)]
  })
  clusters <- reactive({
    kmeans(selectedData(), input$clusters)
  })
  output$plot1 <- renderPlot({
    palette(c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3",
              "#FF7F00", "#FFFF33", "#A65628", "#F781BF", "#999999"))
    par(mar = c(5.1, 4.1, 0, 1))
    plot(selectedData(),
         col = clusters()$cluster,
         pch = 20, cex = 3)
    points(clusters()$centers, pch = 4, cex = 4, lwd = 4)
  })
}

Reto:Representación de los resultados del modelo

Basicos para el curso

Mundo Data Science

¿Qué hace un Data Scientist?

Introducción a R

Operaciones con datos: vectores, listas y matrices

Operaciones con datos: dataframe y ficheros

¿Qué es web scraping?

Visualización de datos

Presentación del proyecto

Web scraping con R

Intro paquete Rvest y descripción de ejercicio

Principales funciones de Rvest

HTML node

Rvest en nuestro proyecto de Amazon. Recopilación de paginación

Obtención de URL de cada producto

Funciones Apply

Obtención de información de cada producto

Automatización para obtener datos preprocesados

Corrección de errores durante obtención de datos

Reto: Obtén datos de la liga española de fútbol

Adecuación y Análisis descriptivo de los datos

Adecuación de los datos, transformación y eliminación de NA

Procesamiento de datos

Adecuación al algoritmo K-means

Reto: Prepara los datos obtenidos

Aplicando modelo no supervisado: Kmeans

Cómo funciona el algoritmo K-means

Aplicando K-means a nuestro proyecto

Visualización de los clusters

Reto: Aplica el modelo K-means

Modelo en producción

Cómo hacer un punto de API con plumber en R

Poner nuestro modelo en tiempo real: revisión de distancias

Poner nuestro modelo en producción

Reto: Pon un modelo en producción

Representación de los resultados del modelo

Introducción a shiny y sus componentes

Mostrando los resultados de nuestro proyecto en Shiny

Reto:Representación de los resultados del modelo

Cierre del curso

Conclusiones