PRESENTACIN ARTCULO:

CLUSTERIZACIN DE ESTUDIANTES DE LA
REGIN DEL MAULE

Daniela Lazo
1

CLUSTERIZACIN DE ESTUDIANTES DE
LA REGIN DEL MAULE

Este artculo tiene como objetivo descubrir

caractersticas de los estudiantes de la
regin del Maule, a travs de la visualizacin
y clusterizacin de stos.

Aplicacin de SOM.

Los datos estn relacionados con la prueba

SIMCE de matemtica.

SIMCE

El SIMCE fue creado en el ao 1988 como una

evaluacin externa cuyo propsito consiste en
contribuir al mejoramiento de la calidad y
equidad de la educacin.

Desde el 2012, SIMCE pas a ser el sistema de

evaluacin que la Agencia de Calidad de la
Educacin utiliza para evaluar los resultados de
aprendizaje de los establecimientos

SIMCE

Nivel de Aprendizaje Adecuado: puntaje

SIMCE: 295 puntos o ms.

Nivel de Aprendizaje Elemental:

corresponden al rango 245 puntos o ms, y
menos de 295 puntos.

Nivel de Aprendizaje Insuficiente:

puntaje SIMCE: menos de 245 puntos.

SOM

Un SOM es
supervisado

red

neuronal

de

aprendizaje

Convierte las relaciones no lineales entre datos

estadsticos de alta dimensin en relaciones
geomtricas simples de sus puntos de imagen en una
pantalla de baja dimensin (Kohonen, Self-Organizing
maps, 1995)

no

METODOLOGA

La metodologa utilizada se basa en la sugerida por

(Vesanto, Himberg, Alhoniemi, & Parhankangas, 1999)
en la aplicacin de SOM. Los pasos consisten en la
preparacin
de
los
datos,
inicializacin
y
entrenamiento y visualizacin de datos.

Para la aplicacin del algoritmo SOM en se utiliza el

paquete Kohonen disponible en R.

Obtencin de datos: Cuestionarios SIMCE.

METODOLOGA

La metodologa de preparacin de los datos consta de

los siguientes pasos:

Limpieza de datos

Reemplazo de datos faltantes

Modificaciones de atributos

Normalizacin de atributos

Seleccin de atributos: GainRatioAttributeEval,

chisquared, oneR, del paquete FSelector de R.

METODOLOGA

Parmetros SOM en R:

grid

rlen

alfa

init

METODOLOGA VISUALIZACIN

Matriz U
Este grfico permite observar la distancia entre
cada nodo y sus vecinos. Por lo general se ve
con una paleta de escala de grises, en la que
mientras ms oscuro es el color entre dos
neuronas, menor es la distancia entre ellas.

METODOLOGA VISUALIZACIN

Vectores de referencia

10

METODOLOGA VISUALIZACIN

Mapas de calor

11

METODOLOGA CLUSTERIZACIN

Para realizar la clusterizacin en primer lugar se

define el nmero adecuado de clusters.

Regla del codo

El nmero de clusters se estima mediante el

criterio Calinski

12

RESULTADOS

13

RESULTADO:SOM

Para el entrenamiento SOM se ha

seleccionado un mapa de dimensiones
20x20, el nmero de iteraciones 1.000,
la forma en la que decrece el
aprendizaje es lineal con parmetros
0,05 y 0,01 y la es topologa hexagonal.

14

RESULTADOS:SOM

15

RESULTADOS: VISUALIZACIN

16

RESULTADOS: VISUALIZACIN

17

RESULTADOS: MAPAS DE CALOR

18

RESULTADOS: MAPAS DE CALOR

19

RESULTADOS: CLUSTERIZACIN

20

RESULTADOS: CLUSTERIZACIN

21

RESULTADOS: CLUSTERIZACIN

22

RESULTADOS: CLUSTERIZACIN

23

RESULTADOS

Grupo verde: bajos puntajes de simce y promedio

general, existe
una frecuencia aplicacin de
estrategias a nivel medio.

Grupo azul: agrupa la mayor parte de los

estudiantes, existen altos niveles de utilizacin de
estrategias pedaggicas. Los puntajes son
variables, sin embargo, los puntajes ms altos se
encuentran en este grupo.

Grupo anaranjado: en este grupo, existen bajos

niveles de utilizacin de estrategias y puntajes
bajos de SIMCE.
24

RESULTADOS

Los resultados del SIMCE estn

directamente relacionados con el
promedio general.

La aplicacin de metodologas y
estrategias influyen en el puntaje del
SIMCE.

25

CONCLUSIONES

El mapa auto-organizado permite

visualizar a los estudiantes en unidades
de referencia.

La
visualizacin
SOM
permite
establecer
relaciones
entre
las
variables.

Es necesario explorar topologas

distintos conjuntos de variables.
26

BIBLIOGRAFA

Agencia de calidad de la Educacin. (2012). SIMCE. Obtenido de

www.dsstgo.cl/contenidos2012/documentos2012/inicio/simce.pdf

Kohonen, T. (1982). Self-Organized Formation of Topologically Correct Feature Maps. Biological cybernetics, 59-69.

Kohonen, T. (1995). Self-Organising maps. Finland: Springer.

Lynn, S. (3 de Febrero de 2014). SELF-ORGANIZING MAPS FOR CUSTOMER SEGMENTATION USING R. Recuperado el 1
de Octubre de 2014, de http://shanelynn.ie/index.php/self-organising-maps-for-customer-segmentation-using-r/

Marin, D. J. (2014). Los mapas auto-organizados de Kohonen. Obtenido de Sitio Web Universidad Carlos III de
Madrid: http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema5dm.pdf

Matich, D. J. (2001). Redes Neuronales: Conceptos Bsicos y Aplicaciones. Obtenido de Ctedra de Informtica
Aplicada a la Ingeniera de ProcesosOrientacin I.:
http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matichredesneuronales.pdf

MINEDUC. (2013). Estndares de aprendizaje Matemtica. Recuperado el 17 de Octubre de 2014, de

http://www.curriculumenlineamineduc.cl/605/articles-33859_recurso_7.pdf

SIMCE. (2008). Niveles de Logro 4 Bsico Educacin Matemtica. Recuperado el 17 de Octubre de 2014, de
http://www.agenciaeducacion.cl/wp-content/uploads/2013/01/NL_Matematica_4%C2%B0basico.pdf

Sushmita Mitra, T. A. (2005). Data mining multimedia, soft computing and bioinformatics.

Vesanto, J., Himberg, J., Alhoniemi, E., & Parhankangas, J. (1999). Self-organizing map in Matlab: the SOM Toolbo.
Proceddings of the Matlab DSP Conference, 35-40.

Wehrens, R. (4 de Agosto de 2014). Package kohonen. Recuperado el 20 de Octubre de 2014, de sitio Web rproject: http://cran.r-project.org/web/packages/kohonen/kohonen.pdf

Wehrens, R., & Buydens, L. (2007). Self and super-organizing maps in R: The kohonen Package. Journal of Statistical
Software, 1-19.

27

BIBLIOGRAFA

MINEDUC. (2013). Estndares de aprendizaje Matemtica. Recuperado el

17 de Octubre de 2014, de
http://www.curriculumenlineamineduc.cl/605/articles-33859_recurso_7.pdf

SIMCE. (2008). Niveles de Logro 4 Bsico Educacin Matemtica.

Recuperado el 17 de Octubre de 2014, de
http://www.agenciaeducacion.cl/wpcontent/uploads/2013/01/NL_Matematica_4%C2%B0basico.pdf

Sushmita Mitra, T. A. (2005). Data mining multimedia, soft computing and

bioinformatics.

Vesanto, J., Himberg, J., Alhoniemi, E., & Parhankangas, J. (1999). Selforganizing map in Matlab: the SOM Toolbo. Proceddings of the Matlab DSP
Conference, 35-40.

Wehrens, R. (4 de Agosto de 2014). Package kohonen. Recuperado el 20

de Octubre de 2014, de sitio Web r-project: http://cran.rproject.org/web/packages/kohonen/kohonen.pdf

Wehrens, R., & Buydens, L. (2007). Self and super-organizing maps in R:

The kohonen Package. Journal of Statistical Software, 1-19.

28

29