#Leemos el fichero p3_train.txt
##################################

setwd("C:/Users/apujol2/Desktop/Aleix/Big Data/Estadistica/Carpeta")
datos <- read.csv2('p3_train.txt',sep='\t', header=TRUE, dec='.') #usamos la opcion dec = '.' porque sino nos coge las variables como factores.

str(datos)
############################################################
#Instalamos y cargamos los paquetes
############################################################

# install.packages('FactoMineR')
library(FactoMineR)

############################################################
# Inspeccionar datos
############################################################

View(datos)                                              # Ver datos
#onbviar la variable respuesta especie
datos2 <- datos[,1:561]
str(datos2)

# No hacemos un pairs debido a la gran cantidad de variables que tenemos.

heatmap(as.matrix(scale(datos2)))


d <- dist(datos2, method = "euclidean")

hc <- hclust(d,method = "complete")
hc

windows(14,7)
plot(hc,cex=0.7)

ct <- cutree(hc,6)
ct
pr <- princomp(datos2)
x <- pr$scores[,1]
y <- pr$scores[,2]
#plot3
plot(x,y,col=ct,pch=19)

t.pred <- table(datos$activity,ct)

sum(diag(t.pred))/sum(t.pred)


###################################################################
#kmeans
###################################################################

############################################################
# Instalar y cargar paquetes
############################################################
# install.packages('scatterplot3d')
# install.packages('flexclust')
# install.packages('NbClust')
library('scatterplot3d')
library('flexclust')
library('NbClust')


############################################################
# Objetos dentro del K-means
############################################################
##-- Prueba simple
km0 <- kmeans(datos2,centers=6)
km0$cluster                         # asignaci�n a los clusteres
km0$centers                         # coordenadas de los centros de gravedad
km0$totss                           # Inercia total
km0$withinss                        # Inercia intra para cada cluster
#el 1 tiene mas variabilidad
km0$tot.withinss                    # Inercia intra (global)
km0$betweenss                       # Inercia entre
km0$size                            # Tama�o de los clusteres
km0$iter                            # Iteraciones para converger

with(km0,betweenss/totss)


############################################################
# Numero de grupos
############################################################
##-- Regla del codo
VE <- c()
for (k in 2:12){
  km <- kmeans(datos2,centers=k,nstart=10)
  VE[k] <- km$betweenss/km$totss
}
windows()
#plot4
plot(VE,type="b",pch=19,xlab="N�mero de grupos",ylab="Variabilidad explicada")

########################################################################################################
##-- Usando un paquete adicional para saber el numero de clusteres
set.seed(12345)
#Tal y como hemos visto en la regla del codo hemos dcidido recortar entre 4 y 8 clusters
ncluster <- NbClust(datos2, min.nc=4, max.nc=6, method="kmeans")

barplot(table(ncluster$Best.n[1,]))


################################################################################################

############################################################
# Representacion grafica
############################################################
##-- 2 grupos
km2 <- kmeans(datos2,centers=2,nstart=10)

# En las 2 primeras componentes
plot(x,y,pch=19,col=km2$cluster)

##-- 3 grupos
km3 <- kmeans(datos2,centers=3,nstart=10)

# En las 2 primeras componentes
plot(x,y,pch=19,col=km3$cluster)

##-- 4 grupos
km4 <- kmeans(datos2,centers=4,nstart=10)

##-- En las 2 primeras componentes
pr.comp <- princomp(datos2)
x <- pr.comp$scores[,1]
y <- pr.comp$scores[,2]
plot(x,y,pch=19,col=km4$cluster)


##-- 5 grupos
km5 <- kmeans(datos2,centers=5,nstart=10)

# En las 2 primeras componentes
plot(x,y,pch=19,col=km5$cluster)

##-- 6 grupos
km6 <- kmeans(datos2,centers=6,nstart=10)

# En las 2 primeras componentes
plot(x,y,pch=19,col=km6$cluster)





#nivel de acierto
t <- table(datos$activity,km2$cluster)
t
randIndex(t)
t <- table(datos$activity,km3$cluster)
t
randIndex(t)
t <- table(datos$activity,km4$cluster)
t
randIndex(t)
t <- table(datos$activity,km5$cluster)
t
randIndex(t)
t <- table(datos$activity,km6$cluster)
t
randIndex(t)
#nos decantamos para 4 clusters ya que tiene un nivel de acierto mas alto



################################################################################################################################################################################################

set.seed(12345)                                             # Semilla para replicar los resultados
D <- dist(datos2)
##-- Clusterizacion jerarquica para obtener los centros
hc <- hclust(D,method = 'ward.D')
cl <- cutree(hc,5)
centers <- apply(datos2,2,tapply,cl,mean)

##-- 4 metodos
km_1 <- kmeans(datos2,4,algorithm='Lloyd',nstart=1)       # Metodo 1
km_2 <- kmeans(datos2,4)                                  # Metodo 2
km_3 <- kmeans(datos2,4,nstart=10)                        # Metodo 3
km_4 <- kmeans(datos2,centers=centers)                    # Metodo 4

t <- table(datos$activity,km_3$cluster)
t
randIndex(t)


################################################################################################################################################################################################