Visualización de los clusters

Clase 25 de 34 • Curso Profesional de Ciencia de Datos 2019

Sebastián Arcos

student•

Creo que para este apartado hace falta una revisión más detenida y profunda de la teoría, porque la profesora asume que uno obtiene una distribución que coincide con la suya, y eso no es así, he impide que uno entienda bien que hay detras de las operaciones que está haciendo. Uno puede entender qué es la varianza, la media, pero, por ejemplo, tengo dudas sobre por qué el buckle va de 2 a 20, y no de 2 a 15, o de 2 a 30, es decir, ¿con base en qué criterios seleccionó ese rango? Si lo anterior no se ejecuta correctamente, no puedes encontrar el elbow.

Wilson Camilo Aguilar Larrea

student•

Me pasa exactamente igual

Edgar Simmons

student•

me pasa que tengo datos totalmente distintos a lo de los ejercicio porque me imagino que se actualizó la información del sitio.. asiq sigo el curso basado en mi propia información... maybe fuese bueno haber dejado el dataset en csv para tener los mismos datos

Pablo Mesias

student•

En este artículo se explica la teoría del kmeans https://towardsdatascience.com/k-means-clustering-from-a-to-z-f6242a314e9a

Ricardo Arturo Muñoz Pérez

student•

Gracias por el aporte, me ayudó mucho el ejemplo de los libros y los libreros

Dagoberto Porras Plata

student•

Les comparto la función que hice para hacer el radar plot a todos los clusters ( en mi caso fueron 11)

radar_plot_center<-function(centers,n){
  dat<- as.data.frame(t(centers[n,]))
  dat
  dat2<-rbind(rep(5,10), rep(-1.5,10), dat)
  dat2
  radarchart(dat2)  
}
par(mfrow=c(3,4))
for(j in 1:11){
radar_plot_center(mycluster$centers,j)
}

Fredy Rene Velasquez Quevedo

student•

me anime a la funcion

plotCentros<-function(centro){
dat<-as.data.frame(t(mycluster$centers[centro,]))
dat<-rbind(rep(5,10),rep(-1.5,10),dat)
radarchart(dat)
}
sapply(c(1:8),plotCentros)```

CLAUDIA CRISTINA APARICIO RUEDA

student•

interesante!

Edwin Jesset Barrientos Gonzales

student•

library(fmsb)
par(mfrow=c(2,4))
dat&lt;-as.data.frame(t(mycluster$centers[1,]))
dat&lt;-rbind(rep(5,10),rep(-1.5,10),dat)
radarchart(dat)

dat&lt;-as.data.frame(t(mycluster$centers[2,]))
dat&lt;-rbind(rep(5,10),rep(-1.5,10),dat)
radarchart(dat)```

Ricardo Sotomayor

student•

Comparto la opnion de muchos companeros falta mas detalle en cuanto a las explicaciones la introduccion no satisface mucho no por al explicacion en si sino por la gran cantidad de parametros que debieron ser explicados uno por uno para saber que es y como se aplica

Visualización de los clusters

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