Meu primeiro pensamento é que o kmeans
não é um método de classificação e sim um método de clusterização. A diferença é sutil, mas bastante importante.
O kmeans
é um método não supervisionado. Não tem nada neste algoritmo que está forçando que os grupos criados sejam parecidos com os grupos das espécies de plantas (neste exemplo).
Por ser um método não supervisionado, é difícil dizer também qual é o melhor cluster possível... Torna-se um problema um pouco subjetivo. O que pode ser usado é:
- a soma das variâncias intragrupo: se dentro de cada grupo for muito grande, quer dizer que o seu cluster não está muito bom
- tem também o Rand Index que está implementado neste pacote
fpc
que o Robert falou nos comentários
Enfim, respondendo as suas perguntas:
Ele está classificando de forma muito errada, basta você observar que os individuos de classe setosa
estão dividios em dois clusters: 1 e 2. E o cluster 3 contém indivíduos tanto da classe versicolor
quanto virginica
. Ou seja o cluster não está ajudando a separar as classes de plantas.
Desconheço, mas a princípio, você poderia falar que cada o label de cada cluster, é aquele da classe que aparece mais naquele cluster...
Não sei responder.
Para mim, no seu caso faria mais sentido usar um algoritmo de aprendizado supervisionado como random forest
, regressão logística
, knn
e etc.
Para ilustrar o problema de usar o kmeans
considere o seguinte banco de dados:
dados <- data_frame(
x = runif(10000), y = runif(10000),
grupo = ifelse(x > 0.25 & x < 0.75 & y > 0.25 & y < 0.75, "azul", "vermelho")
)
Veja que o grupo é determinísticamente criado a partir de x
e y
. Não existe aleatoriedade.
Agora rode um cluster kmeans
nessa base e vamos ver se os grupos ficam parecidos.
cluster <- kmeans(dados[,1:2], 2)
table(cluster$cluster, dados$grupo)
azul vermelho
1 1263 3670
2 1273 3794
Não ficaram, porque em nenhum momento eu pedi para o kmeans
separar os dois grupos. Ele separou apenas de acordo com os valores de x
e y
que eram próximos...
Veja no gráfico como ficaram os grupos:
Agora vamos ajustar um random forest nesses dados:
dados$grupo <- as.factor(dados$grupo)
rf <- randomForest::randomForest(grupo ~ x + y, data = dados)
table(predict(rf, dados), dados$grupo)
azul vermelho
azul 2536 0
vermelho 0 7464
Agora sim! COnseguimos acertar tudo que era azul e o que era vermelho. Isso acontece porque estamos supervisionando o random forest
, ou seja estamos oferecendo classificações para que o algoritmo aprenda.
clusterboot
do pacotefpc
.kernlab
caret
também. Mas não estou procurando um classificador deste tipo. Estou interessado no kmeans e nas suas limitações.