cluster.knit

class: clear
background-image: url(fig/Slide1.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide2.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide3.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide4.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide5.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide6.PNG)
background-size: 1200px

---
.center[
# Atividade
]

.center[
<img src="atv.png" style="width:100%;">
]

---
class: clear
background-image: url(fig/Slide7.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide8.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide9.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide10.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide11.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide12.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide13.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide14.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide15.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide16.PNG)
background-size: 1200px

---
class: clear
background-image: url(fig/Slide17.PNG)
background-size: 1200px

---
# No R

## A atividade

- Uma pesquisadora 'X' contabilizou o número de indivíduos/espécie em cinco distintas áreas de conservação.

- O projeto da Dra. 'X' visa comparar essas áreas quanto a estes valores, com a finalidade de descobrir quais áreas são mais semelhantes quanto a composição de espécies.

## Instalar e carregar os pacotes necessários

```r
# Instalação
install.packages("vegan")
install.packages("kableExtra")

# Carregando os pacotes
library(vegan)
library(kableExtra)
```

---
# No R

## Dados amostrados

### Criando a matriz de dados (comando 'matrix')

```r
P1 = matrix(c(0, 0, 10, 8, 0, 0, 0, 12, 9, 0, 0, 0, 13, 5, 10, 2, 3, 0, 4, 12, 5, 10, 0, 0, 16, 15, 20, 0, 0, 0), nrow = 6, byrow = 5)
```

### Nome nas colunas/linhas da matriz 
- colunas: 'colnames(nome da matriz)'
- linhas: 'rownames (nome das linhas)'

```r
colnames(P1)=c("A", "B", "C", "D","E")
rownames(P1)=c("Local 1", "Local 2", "Local 3", "Local 4", "Local 5","Local 6")
```

---
# No R

## Dados amostrados

### Versão final da nossa matriz/tabela

```r
P1 %>% kbl() %>%
   kable_material(c("striped", "hover"), font_size = 20)
```

<table class=" lightable-material lightable-striped lightable-hover" style='font-size: 20px; font-family: "Source Sans Pro", helvetica, sans-serif; margin-left: auto; margin-right: auto;'>
 <thead>
  <tr>
   <th style="text-align:left;">   </th>
   <th style="text-align:right;"> A </th>
   <th style="text-align:right;"> B </th>
   <th style="text-align:right;"> C </th>
   <th style="text-align:right;"> D </th>
   <th style="text-align:right;"> E </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Local 1 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 10 </td>
   <td style="text-align:right;"> 8 </td>
   <td style="text-align:right;"> 0 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Local 2 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 12 </td>
   <td style="text-align:right;"> 9 </td>
   <td style="text-align:right;"> 0 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Local 3 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 13 </td>
   <td style="text-align:right;"> 5 </td>
   <td style="text-align:right;"> 10 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Local 4 </td>
   <td style="text-align:right;"> 2 </td>
   <td style="text-align:right;"> 3 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 4 </td>
   <td style="text-align:right;"> 12 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Local 5 </td>
   <td style="text-align:right;"> 5 </td>
   <td style="text-align:right;"> 10 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 16 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Local 6 </td>
   <td style="text-align:right;"> 15 </td>
   <td style="text-align:right;"> 20 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
   <td style="text-align:right;"> 0 </td>
  </tr>
</tbody>
</table>

---
# No R

## Distância

### Matriz com **distância euclidiana**

- Criar a matriz de similaridade/dissimilaridade ~ mas qual distância utilizar?
- Existem dois comandos para uso com o `vegan` ~ `dist()` e o `vegdist()`.

```r
eu = vegdist(P1, method = "euclidean", binary = F)

eu
```

```
##           Local 1   Local 2   Local 3   Local 4   Local 5
## Local 2  2.236068                                        
## Local 3 10.862780 10.816654                              
## Local 4 16.522712 18.055470 13.674794                    
## Local 5 23.345235 24.617067 18.841444  9.486833          
## Local 6 28.089144 29.154759 30.315013 24.859606 21.354157
```

---
# No R

## Dendograma

### Método do vizinho mais próximo ("Single linkage")

```r
# Comando de criação de hirarquia cluster via metodo do vizinho mais próximo
vizinhop = hclust(eu, method = "single")

# Gráfico
plot(vizinhop, main = "Método do vizinho mais próximo", sub = "",
     ylab = "Distância euclidiana", xlab = "Locais", hang = -1)
```

![](cluster_files/figure-html/unnamed-chunk-8-1.png)

---
# No R

## Dendograma

### Método do vizinho mais próximo ("Single linkage")

```r
# Gráfico
plot(vizinhop, main = "Método do vizinho mais próximo", sub = "",
     ylab = "Distância euclidiana", xlab = "Locais", hang = -1)

# 3 grupos cluster
rect.hclust(vizinhop, k=3, border="red")
```

![](cluster_files/figure-html/unnamed-chunk-9-1.png)

---
# No R

## Dendograma

### Método da ligação completa ou do vizinho mais distante ("Complete linkage") 
<div style="width: 1105px; height: 405px; white-space: nowrap; overflow-x: scroll; overflow-y: scroll; border: 0; padding: 0px; display: inline-block;">

```r
# Comando de criação de hierarquia cluster via método do vizinho mais distante
vizinhod = hclust(eu, method = "complete")

# Gráfico
plot(vizinhod, main = "Método do vizinho mais distante", sub = "",
     ylab = "Distância euclidiana", xlab = "Locais", hang = -1) 
```

![](cluster_files/figure-html/unnamed-chunk-10-1.png)

---
# No R

## Dendograma

```r
# Gráfico
plot(vizinhod, main = "Método do vizinho mais distante", sub = "",
     ylab = "Distância euclidiana", xlab = "Locais", hang = -1)

# 3 grupos cluster
rect.hclust(vizinhod, k = 3, border = "red")
```

![](cluster_files/figure-html/unnamed-chunk-11-1.png)

---
# No R

## Dendograma

### Método da ligação média ("Average linkage")

```r
# Comando de criação de hierarquia cluster via método do vizinho mais distante
media = hclust(eu, method = "average")

# Gráfico
plot(media, main="Método da ligação média", sub="",
     ylab="Distância euclidiana", xlab="Locais", hang = -1)
```

![](cluster_files/figure-html/unnamed-chunk-12-1.png)

---
# No R

## Dendograma

### Método da ligação média ("Average linkage")

```r
# Gráfico
plot(media, main="Método da ligação média", sub="",
     ylab="Distância euclidiana", xlab="Locais", hang = -1)

# 3 grupos cluster
rect.hclust(media, k=3, border="red")
```

![](cluster_files/figure-html/unnamed-chunk-13-1.png)

---
# No R

## O cluster

### Mas qual cluster escolher? **Vamos avaliar!**

#### Coeficiente de Correlação Cofenética

O coeficiente de correlação linear de Pearson entre os elementos da matriz de dissimilaridade (matriz de distâncias obtida dos dados) e os elementos da matriz cofenética (matriz de distâncias obtida a partir do dendrograma) é denominado *coeficiente de correlação cofenética*.

---
# No R

## O cluster

### Mas qual cluster escolher? **Vamos avaliar!**

#### Coeficiente de Correlação Cofenética

```r
# Vizinho mais próximo
cor.test(eu, cophenetic(vizinhop))$estimate
```

```
##       cor 
## 0.8985643
```

```r
# Método da ligação completa
cor.test(eu, cophenetic(vizinhod))$estimate
```

```
##       cor 
## 0.9070452
```

```r
# Método da ligação média
cor.test(eu, cophenetic(media))$estimate
```

```
##       cor 
## 0.9236304
```

---
class: clear
background-image: url(fig/Slide18.PNG)
background-size: 1200px

---
.center[
# OBRIGADA!!

## Marília Melo Favalesso