Unidad 5 — Agrupando Observaciones
Semana 09: Clustering
efmartinez@icesi.edu.co 
eduard-martinez
https://eduard-martinez.github.io
1 Aplicación en R
Para ejemplificar el uso de K-means se trabajará con una base de notas del curso, que reúne para cada estudiante sus calificaciones en talleres, quices, parcial y midterm. Imagine un diagrama de dispersión donde en el eje X se ubica el promedio de talleres y en el eje Y el promedio de quices. Al ajustar K-means con k = 3, el algoritmo puede revelar patrones como los siguientes: Cluster 1, formado por estudiantes con desempeños altos y consistentes en trabajos y evaluaciones cortas; Cluster 2, con estudiantes que rinden mejor en actividades prácticas (talleres) pero muestran rezagos en quices; y Cluster 3, que agrupa desempeños más bajos o inestables en ambas dimensiones.
Este ejercicio permite observar cómo el algoritmo construye segmentos naturales a partir de los datos, sin categorías predefinidas, resaltando la utilidad del aprendizaje no supervisado para explorar perfiles y patrones de desempeño académico.
Cómo usar este material: Puedes ejecutar los chunks de R directamente en el navegador gracias a webR (según tu _quarto.yml), sin instalar nada localmente.
1.1 Preparación del entorno
El propósito de este bloque es asegurar un entorno limpio y reproducible. Primero, eliminamos objetos previos que puedan interferir con el análisis. Después, cargamos los paquetes necesarios para manipulación de datos, visualización, generación de resúmenes y ejecución de K-means. Con esto, dejamos el entorno preparado para comenzar.
1.2 Ingesta de datos (carga desde archivo o URL)
En esta sección se realiza la ingesta de datos, es decir, la carga de la base de notas del curso que usaremos para los ejercicios de clustering. El dataset llamado grades incluye, para cada estudiante, su código y las calificaciones en talleres, quices, parcial y midterm (escala 0–5). Estos atributos permitirán aplicar K-means para identificar patrones de desempeño y segmentar a los estudiantes en grupos con perfiles similares.
Para garantizar reproducibilidad, podemos trabajar de dos maneras:
- Archivo local: leer directamente el archivo
data.csvque acompaña a este material.
- Fuente externa (opcional): usar una URL (por ejemplo, un repositorio en GitHub) para que cualquier estudiante pueda replicar el ejercicio sin necesidad del archivo local.
Una vez cargados los datos, listamos los objetos en memoria para confirmar que el dataset esperado (grades) está disponible y listo para la exploración inicial.
1.3 Selección de variables
En este paso se eligen únicamente las variables numéricas relevantes para el agrupamiento. En el caso de las notas, pueden incluirse taller, quiz, parcial y midterm. Estas variables son adecuadas para K-means porque están en la misma escala (0–5) y describen cuantitativamente el desempeño académico.
Para un ejemplo simple, trabajaremos con dos dimensiones (quiz y parcial) a fin de visualizar con claridad la lógica del clustering. Al reducir la base a este subconjunto se garantiza que el análisis se centre en atributos comparables y se excluyan identificadores u otras columnas que no aportan a la formación de grupos.
1.4 Escalado
Antes de aplicar K-means es buena práctica escalar las variables para que todas queden con media 0 y desviación estándar 1. Así se evita que alguna dimensión pese más en el cálculo de distancias euclidianas. Aunque aquí todas las notas comparten el rango 0–5, el escalado ayuda a estandarizar y comparar contribuciones.
Con scale() se obtiene una matriz estandarizada lista para el análisis. Luego, se usa skim() para comprobar rápidamente que la transformación se aplicó correctamente (medias cercanas a 0 y desviaciones cercanas a 1).
1.5 Ajuste de K-means con K = 4
En este bloque se entrena el modelo K-means fijando el número de grupos en k = 4. Primero, se establece una semilla (set.seed(2024)) para asegurar reproducibilidad, dado que K-means depende de inicializaciones aleatorias de los centroides.
Luego, con kmeans() se ajusta el modelo sobre la matriz estandarizada (db creada en el paso anterior), indicando centers = 4. El argumento nstart = 30 hace que el algoritmo arranque desde 30 inicializaciones distintas y escoja la mejor solución (menor SSE), reduciendo el riesgo de mínimos locales.
El objeto resultante km contiene la información clave del modelo: asignación de observaciones a clusters, coordenadas de los centroides y medidas de ajuste (suma de cuadrados intra/inter).
A continuación se construye un objeto con la asignación individual agregando la columna cluster al objeto original de grades. Se convierte en factor para facilitar la interpretación y el uso en gráficos/tablas.
1.6 Inspeccionar los clusters
Un primer vistazo útil es (i) el tamaño de cada cluster y (ii) un dispersograma de parcial vs. quiz coloreado por cluster.