#carregando os dados sobre petala e sepala da esp??cie iris
data(iris)

#obeservando a organiza????o os dados
head(iris)

#separando os dados com o nome das esp??cies
iris_class <- iris[,5]
#separando os dados com valores de petala e sepala
iris_data <- iris[,1:4]

#conhecendo os dados atrav??s de graficos de barras
barplot(iris_data$Sepal.Length, main = "Sepal length")
barplot(iris_data$Sepal.Width, main = "Sepal width")
barplot(iris_data$Petal.Length, main = "Petal length")
barplot(iris_data$Petal.Width, main = "Petal width")

#conhecendo os dados atraves de graficos bidimensionais
plot(iris_data$Sepal.Length, iris$Sepal.Width, col= iris_class, pch = 16, cex = 0.7)

plot(iris_data$Petal.Length, iris$Petal.Width, col= iris_class, pch = 16, cex = 0.7)


#estimando o numero de cluster, colocar o valor m??ximo a ser testado (exemplo, 10 testa de 2 at?? 10)
plotNumCluster(Matrix = iris_data, maxCluster = 10)

#fazendo agrupamento com kmenas
#kmenas vai usar os dados para estimar os numero de grupos determinado pelo usu??rio
resultado_kmeans <- kmeans(x = iris_data, centers = 3,iter.max = 100)

#resultado da classifica????o do kmeans
grupos_kmeans <- resultado_kmeans$cluster

#vrificar o tipo de resultado
grupos_kmeans

#comparando os resultados, comparar a classifica??ao das esp??cies com a classifica??ao do kmeans
par(mfrow=c(1,2))
plot(iris_data$Sepal.Length, iris$Sepal.Width, col= iris_class, pch = 16, cex = 0.7)
plot(iris_data$Sepal.Length, iris$Sepal.Width, col= grupos_kmenas, pch = 16, cex = 0.7)
dev.off()

#comparando os resultados, comparar a classifica??ao das esp??cies com a classifica??ao do kmeans
par(mfrow=c(1,2))
plot(iris_data$Petal.Length, iris$Petal.Width, col= iris_class, pch = 16, cex = 0.7)
plot(iris_data$Petal.Length, iris$Petal.Width, col= grupos_kmeans, pch = 16, cex = 0.7)
dev.off()

#usando m??todo hclust
#preimiro se deve calcular a distancia entre os elementos
distancia_iris <-  dist(iris_data)

#depois usar o hclust para agrupar os elementos
resultado_hclust <- hclust(distancia_iris,method = "complete")

#verificar o resultado do agrupamento
plot(resultado_hclust, color = iris_class, labels = iris_class, 
     main = "Agrupamento com hclust")

#instalar o pacote mclust

#carregar o pacote mclust
library(mclust)

#separa em 3 grupos os dados de iris
mc <- Mclust(iris_data, G=3) # 3 clusters

#comprar a classifica??ao das esp??cies iris com o resultado do mclust
par(mfrow=c(1,2))
plot(mc, what=c("classification"), dimens=c(1,2)) # using 1st and 3rd column of the iris dataset
plot(iris_data$Sepal.Length, iris$Sepal.Width, col= iris_class, pch = 16, cex = 0.7)
dev.off()

#comprar a classifica??ao das esp??cies iris com o resultado do mclust
par(mfrow=c(1,2))
plot(mc, what=c("classification"), dimens=c(3,4)) # using 1st and 3rd column of the iris dataset
plot(iris_data$Petal.Length, iris$Petal.Width, col= iris_class, pch = 16, cex = 0.7)
dev.off()

#fazer um heatmap, antes devemos transformar o dataframe em matrix
iris_matrix <- as.matrix(iris_data)
#para organizar as colunas como linhas devemos transpor a matrix
iris_matrix <- t(iris_matrix)

#fazendo o heatmap
heatmap(iris_matrix)