P-Tech/UnsupervisedLearning
1
1library(shiny)2library(shinyjs)3library(bslib)4library(dplyr)5library(ggplot2)6library(tm)7library(SnowballC)8library(plotly)9library(dplyr)10library(tidyr)11library(igraph)12library(ggraph)13library(reshape2)14library(SnowballC)15library(RColorBrewer)16library(syuzhet)17library(cluster)18library(Rtsne)19library(umap)20library(MASS)21library(koRpus)22library(openxlsx)23library(tools)24library(shinyWidgets)25#library(readxl)26library(scales)27library(caret)28library(BBmisc)29library(glmnet)30library(pROC)31library(ROCR)32library(car)33library(ResourceSelection)34library(tree)35library(ggplotify)36library(lmtest)37library(gridExtra)38library(patchwork)39library(caret)40library(randomForest)41library(gbm)42library(earth)43library(broom)44library(rlang)45library(ggdendro)46library(pastecs)47library(forecast)48library(scales)49if (!require("caret")) install.packages("caret", dependencies = TRUE)50library(caret)51library(BBmisc)52library(glmnet)53library(pROC)54library(ROCR)55library(car)56library(ResourceSelection)57library(tree)58library(ggplotify)59library(lmtest)60library(gridExtra)61library(patchwork)62library(caret)63library(randomForest)64library(gbm)65library(earth)66library(broom)67library(rlang)68library(ggdendro)69library(pastecs)70library(dbscan)71library(fpc)72library(factoextra)73library(scales)74library(openxlsx)75library(arules)76library(arulesViz)77library(viridis)78library(kohonen)79library(purrr)80library(rvest)81library(Rtsne)82library(shinydashboard)83options(width = 150)84options(digits = 4, scipen = 1000000000)85options(shiny.maxRequestSize=30*1024^2)86 87 88 89ui <- fluidPage(90 theme = bs_theme(version = 5, bootswatch = "spacelab"),91 useShinyjs(), # Initialize shinyjs92 titlePanel("PtteM Data Science"),93 tags$head(tags$link(rel = "stylesheet", href="https://fonts.googleapis.com/css?family=Montserrat:100,300,400,700&display=swap"),94 tags$style(HTML("95 body, h1, h2, h3, h4, h5, h6, .nav, p, a, .shiny-input-container {96 font-family: 'Montserrat'; /* Font type for the title attribute */97 font-weight: 385;98 color: #007c9e !important;99 }100 * {101 font-family: 'Montserrat', sans-serif;102 font-weight: 385; 103 color: #195576; /* Blue color */104 }105 body { 106 background-color: #f7f7f7; /* Light gray background */107 }108 .icon-btn {109 border: 1px solid #0d6efd; /* Example border: solid, 2 pixels, #555 color */110 border-radius: 15%; /* Circular border */111 color: #00969e; /* Icon color */112 font-family: 'Montserrat'; /* Font type for the title attribute */113 font-weight: 385;114 background-color: #f7f7f7;115 padding: 125px; /* Space around the icon */116 margin: 25px; /* Space around the button */117 font-size: 24px; /* Icon size */118 box-shadow: 0 2px 4px rgba(0,0,0,0.2);119 }120 .icon-btn:hover {121 color: #00969e; /* Icon color on hover */122 border-color: #007c9e;123 background-color: #ebfbfd;/* Border color on hover */124 }125 /* Add custom styles here */126 .shiny-input-container {127 margin-bottom: 15px;128 }129 .box {130 border: 1px solid #ddd;131 padding: 20px;132 border-radius: 50px;133 margin-bottom: 200px;134 gap: 200px;135 align-items: center;136 }137 #statsTable_wrapper {138 margin: 0 auto;139 }140 .shiny-output-error {141 border: 1px solid #FF0000; /* Red border on error */142 }143 /* If you want to change the font size of the tooltip, you can add custom CSS for the 'title' attribute's default styling. */144 "))),145 tags$head(146 # Include JavaScript to reload the page147 tags$script(HTML("148 document.addEventListener('DOMContentLoaded', function() {149 document.getElementById('myElement').style.color = '#0d6efd'; // Change to your desired color150 });151"))152 ),153 tags$head(154 tags$script(HTML("155 function reloadPage() {156 window.location.reload();157 }158 "))159 ),160 # Refresh button that calls the JavaScript function161 actionButton("refresh", "Refresh Analysis", onclick = "reloadPage();"),162 # Help Text or Information for the user163 helpText("Bu uygulama ile metin analizi başlığı altındaki veri bilimi fonksiyonlarına erişebilirsiniz."),164 #Unupervised Learning165 h2("Unsupervised Learning Section"),166 tabsetPanel(167 tabPanel("Principal Component Analysis",168 sidebarLayout(169 sidebarPanel(170 fileInput("pcainput", "Choose a CSV or XLSX file", accept = c(".csv", ".xlsx")),171 # Conditional panel for group selection172 uiOutput("groupSelectUI"),173 actionButton("loadpca", "Load Data"),174 selectInput("independentVarpca", "Select Columns", choices = NULL, multiple = T),175 actionButton("runpca", "Run PCA"),176 HTML("<div>177 <h2>Ana Bileşen Analizi (PCA) Paneli</h2>178 179 <h3>Çıktı Nedir ve Neden Kullanılır?</h3>180 <p>Ana Bileşen Analizi (PCA), veri setlerindeki boyutluluğu azaltmak ve en önemli özellikleri belirlemek için kullanılan bir yöntemdir. Bu panel, kullanıcıların veri setlerindeki ana bileşenleri analiz etmelerine, önemli özellikleri keşfetmelerine ve veri setlerinin görselleştirilmesine olanak tanır.</p>181 182 <h3>Kullanım Adımları:</h3>183 <ol>184 <li><strong>Veri Dosyası Yükleme:</strong> Analize başlamak için bir CSV veya XLSX dosyası yükleyin.</li>185 <li><strong>Bağımsız Değişkenlerin Seçimi:</strong> Analizde kullanılacak bağımsız değişkenleri seçin.</li>186 <li><strong>PCA Çalıştırma:</strong> Ana bileşen analizini çalıştırın ve sonuçları inceleyin.</li>187 </ol>188 189 <h3>Kullanıcı Etkileşimi:</h3>190 <p>Kullanıcılar, veri setlerini yükleyebilir, analiz için değişkenleri seçebilir ve PCA sonuçlarını detaylı bir şekilde inceleyebilir. Panel, boyut indirgeme ve özellik seçimi konularında kullanıcıya rehberlik eder.</p>191 192 <h3>Veri Bilimi ve Makine Öğrenmesindeki Uygulamaları:</h3>193 <p>PCA, yüksek boyutlu veri setlerinin anlaşılmasını ve yorumlanmasını kolaylaştırır. Özellikle, çok sayıda değişken içeren veri setlerinde, önemli özellikleri belirlemek ve veri setlerini daha basit hale getirmek için kullanılır.</p>194 195 <h3>Desteklenen Dosya Tipleri ve Seçenekler:</h3>196 <p>Panel, CSV (.csv) ve Excel (.xlsx) formatlarını destekler, bu da kullanıcıların farklı veri kaynaklarından kolaylıkla veri yüklemesine olanak tanır.</p>197 198 <h3>Sonuçların Yorumlanması:</h3>199 <p>PCA sonuçları, veri setindeki değişkenler arasındaki ilişkileri ve veri setinin ana bileşenlerini ortaya koyar. Bu, veri setinin daha basit bir şekilde anlaşılmasını ve analiz edilmesini sağlar.</p>200 201 <ul>202 <li><strong>Model Özeti:</strong> PCA modelinin temel özellikleri ve bileşenlerinin açıkladığı varyans miktarı hakkında bilgiler sunar.</li>203 <li><strong>Bi Plot:</strong> Ana bileşenlerin ve değişkenlerin birbirleriyle olan ilişkisini görsel olarak gösterir. Bu, hangi değişkenlerin PCA sonuçlarını en çok etkilediğini anlamada yardımcı olur.</li>204 </ul>205 206 <p>PCA paneli, kullanıcıların veri setlerindeki temel yapıyı keşfetmelerine ve önemli özellikleri belirlemelerine yardımcı olan kapsamlı bir araçtır.</p>207</div>")208 ),209 mainPanel(210 tabsetPanel(211 tabPanel("Data Summary", verbatimTextOutput("dataSummarypca")),212 tabPanel("PCA Output",213 tabsetPanel(214 tabPanel("Run PCA", verbatimTextOutput("runpca")),215 tabPanel("Bi Plot Columns", plotlyOutput("biPlotpca", width = "100%", height = "625px")),216 )217 )218 )219 )220 )221 ),222 tabPanel("K-Means Clustering",223 sidebarLayout(224 sidebarPanel(225 fileInput("kmcinput", "Choose a CSV or XLSX file", accept = c(".csv", ".xlsx")),226 actionButton("loadkmc", "Load Data"),227 selectInput("targetkmc", "Select First Column", choices = NULL),228 selectInput("independentVarkmc", "Select Second Column", choices = NULL),229 numericInput("numCenterskmc", "Number of Clusters:", value = 3, min = 2),230 actionButton("runkmc", "Run K-Means"),231 HTML("<div>232 <h2>K-Ortalama Kümeleme Paneli</h2>233 234 <h3>Çıktı Nedir ve Neden Kullanılır?</h3>235 <p>K-Ortalama Kümeleme, veri setlerini benzer özelliklere göre gruplara ayırmak için kullanılan bir yöntemdir. Bu panel, kullanıcıların veri setlerindeki kümeleri analiz etmelerine, farklı grupları keşfetmelerine ve veri setlerinin kümeleme sonuçlarını görselleştirmelerine olanak tanır.</p>236 237 <h3>Kullanım Adımları:</h3>238 <ol>239 <li><strong>Veri Dosyası Yükleme:</strong> Analize başlamak için bir CSV veya XLSX dosyası yükleyin.</li>240 <li><strong>Değişkenlerin Seçimi:</strong> Kümelemede kullanılacak değişkenleri seçin.</li>241 <li><strong>Küme Sayısı Belirleme:</strong> Oluşturulacak kümelerin sayısını belirleyin.</li>242 <li><strong>K-Ortalama Kümeleme Çalıştırma:</strong> K-Ortalama Kümeleme algoritmasını çalıştırın ve sonuçları inceleyin.</li>243 </ol>244 245 <h3>Kullanıcı Etkileşimi:</h3>246 <p>Kullanıcılar, veri setlerini yükleyebilir, analiz için değişkenleri ve küme sayısını belirleyebilir ve K-Ortalama Kümeleme sonuçlarını detaylı bir şekilde inceleyebilir. Panel, kümeleme ve gruplandırma konularında kullanıcıya rehberlik eder.</p>247 248 <h3>Veri Bilimi ve Makine Öğrenmesindeki Uygulamaları:</h3>249 <p>K-Ortalama Kümeleme, veri setlerindeki doğal gruplandırmaları keşfetmek ve veri içgörülerini artırmak için yaygın olarak kullanılır. Özellikle, müşteri segmentasyonu, hedefleme ve benzer gruplar içindeki eğilimleri anlama gibi alanlarda tercih edilir.</p>250 251 <h3>Desteklenen Dosya Tipleri ve Seçenekler:</h3>252 <p>Panel, CSV (.csv) ve Excel (.xlsx) formatlarını destekler, bu da kullanıcıların farklı veri kaynaklarından kolaylıkla veri yüklemesine olanak tanır.</p>253 254 <h3>Sonuçların Yorumlanması:</h3>255 <p>K-Ortalama Kümeleme sonuçları, veri setindeki grupların merkezlerini, her bir kümenin içerdiği gözlem sayısını ve kümeler arasındaki benzerlik/dissimilarity ölçülerini içerir. Bu, veri setinin daha derin bir şekilde anlaşılmasını ve stratejik kararlar alınmasını sağlar.</p>256 257 <ul>258 <li><strong>Model Özeti:</strong> K-Ortalama Kümeleme modelinin temel özellikleri ve kümelerin özellikleri hakkında bilgiler sunar.</li>259 <li><strong>Kümeleme Grafiği:</strong> Oluşturulan kümelerin ve merkezlerinin görsel bir temsilidir. Bu, hangi gözlemlerin hangi kümeye ait olduğunu anlamada yardımcı olur.</li>260 <li><strong>Silüet Sonuçları:</strong> Kümeleme kalitesinin bir göstergesi olan silüet skorlarını içerir. Bu skorlar, kümelerin ne kadar iyi tanımlandığını ve ayrıldığını gösterir.</li>261 </ul>262 263 <p>K-Ortalama Kümeleme paneli, kullanıcıların veri setlerindeki doğal gruplandırmaları keşfetmeler264 265ine ve önemli özellikleri belirlemelerine yardımcı olan kapsamlı bir araçtır.</p>266</div>")267 ),268 mainPanel(269 tabsetPanel(270 tabPanel("Data Summary", verbatimTextOutput("dataSummarykmc")),271 tabPanel("K-Means Output",272 tabsetPanel(273 tabPanel("Run K-Means", verbatimTextOutput("runkmc")),274 tabPanel("Clustering Plot", plotlyOutput("clusteringPlotkmc", width = "100%", height = "625px")),275 tabPanel("Silhouttte Results", plotlyOutput("silhouettePlotkmc", width = "100%", height = "625px"))276 )277 )278 )279 )280 )281 ),282 tabPanel("Hierarchical Clustering",283 sidebarLayout(284 sidebarPanel(285 fileInput("hcinput", "Choose a CSV or XLSX file", accept = c(".csv", ".xlsx")),286 actionButton("loadhc", "Load Data"),287 selectInput("independentVarhc", "Select the Columns", choices = NULL, multiple = TRUE),288 numericInput("numCentershc", "Number of Clusters:", value = 2, min = 2, max = 8),289 actionButton("runavehc", "Run Average Linkage"),290 actionButton("runcenhc", "Run Centroid Linkage"),291 actionButton("runwddhc", "Run Ward D2 Linkage"),292 actionButton("runmchc", "Run Mcquity Linkage"),293 HTML("<div>294 <h2>Hiyerarşik Kümeleme Paneli</h2>295 296 <h3>Çıktı Nedir ve Neden Kullanılır?</h3>297 <p>Hiyerarşik Kümeleme, veri noktalarını adım adım birleştirerek veya bölererek hiyerarşik bir kümeler dizisi oluşturan bir yöntemdir. Bu panel, kullanıcıların veri setlerindeki doğal gruplamaları keşfetmelerine, farklı kümeleme yöntemlerini denemelerine ve sonuçları görselleştirmelerine olanak tanır.</p>298 299 <h3>Kullanım Adımları:</h3>300 <ol>301 <li><strong>Veri Dosyası Yükleme:</strong> Analize başlamak için bir CSV veya XLSX dosyası yükleyin.</li>302 <li><strong>Değişkenlerin Seçimi:</strong> Kümelemede kullanılacak değişkenleri seçin.</li>303 <li><strong>Küme Sayısı Belirleme:</strong> Oluşturulacak kümelerin sayısını belirleyin.</li>304 <li><strong>Kümeleme Yöntemlerini Çalıştırma:</strong> Ortalama, merkez, Ward D2 veya Mcquity bağlantı yöntemlerinden birini seçerek çalıştırın.</li>305 </ol>306 307 <h3>Kullanıcı Etkileşimi:</h3>308 <p>Kullanıcılar, veri setlerini yükleyebilir, analiz için değişkenleri ve küme sayısını belirleyebilir, farklı hiyerarşik kümeleme yöntemlerini deneyebilir ve sonuçları detaylı bir şekilde inceleyebilir.</p>309 310 <h3>Veri Bilimi ve Makine Öğrenmesindeki Uygulamaları:</h3>311 <p>Hiyerarşik Kümeleme, özellikle müşteri segmentasyonu, gen ifadesi analizi ve sosyal ağ analizi gibi alanlarda kullanılır. Bu yöntem, veri setlerindeki doğal gruplamaları ve ilişkileri keşfetmek için önemli bir araçtır.</p>312 313 <h3>Desteklenen Dosya Tipleri ve Seçenekler:</h3>314 <p>Panel, CSV (.csv) ve Excel (.xlsx) formatlarını destekler, bu da kullanıcıların farklı veri kaynaklarından kolaylıkla veri yüklemesine olanak tanır.</p>315 316 <h3>Sonuçların Yorumlanması:</h3>317 <p>Hiyerarşik Kümeleme sonuçları, dendrogramlar ve siluet analizleri aracılığıyla sunulur. Dendrogramlar, veri noktaları arasındaki ilişkilerin ve gruplamaların hiyerarşik yapısını gösterirken, siluet analizleri, kümelerin ne kadar iyi tanımlandığını ve ayrıldığını değerlendirir.</p>318 319 <ul>320 <li><strong>Model Özeti:</strong> Seçilen kümeleme yönteminin temel özellikleri ve kümelerin özellikleri hakkında bilgiler sunar.</li>321 <li><strong>Dendrogram:</strong> Veri noktaları arasındaki ilişkilerin ve gruplamaların hiyerarşik yapısını gösterir. Her bir kümeleme yöntemi için ayrı dendrogramlar sunulur.</li>322 <li><strong>Siluet Sonuçları:</strong> Kümeleme kalitesinin bir göstergesi olan siluet skorlarını içerir. Bu skorlar, kümelerin ne kadar iyi tanımlandığını ve ayrıldığını gösterir.</li>323 </ul>324 325 <p>Hiyerarşik Kümeleme paneli, kullanıcıların veri setlerindeki doğal gruplamaları keşfetmelerine ve önemli özellik326 327leri belirlemelerine yardımcı olan kapsamlı bir araçtır.</p>328</div>")329 ),330 mainPanel(331 tabsetPanel(332 tabPanel("Data Summary", verbatimTextOutput("dataSummaryhc")),333 tabPanel("Hierarchical Clustering",334 tabsetPanel(335 tabPanel("Average Linkage",plotlyOutput("averageDendrogram", width = "100%", height = "825px")),336 tabPanel("Silhoutte Results", plotlyOutput("silhouettePlotHCave", width = "100%", height = "625px")),337 tabPanel("Centroid Linkage",plotlyOutput("centroidDendrogram", width = "100%", height = "825px")),338 tabPanel("Silhoutte Results", plotlyOutput("silhouettePlotHCcen", width = "100%", height = "625px")),339 tabPanel("Ward D2 Linkage", plotlyOutput("wdd2Dendrogram", width = "100%", height = "825px")),340 tabPanel("Silhoutte Results", plotlyOutput("silhouettePlotHCwdd2", width = "100%", height = "625px")),341 tabPanel("Mcquity Linkage", plotlyOutput("mcquDendrogram", width = "100%", height = "825px")),342 tabPanel("Silhoutte Results", plotlyOutput("silhouettePlotHCmc", width = "100%", height = "625px"))343 )344 )345 )346 )347 )348 ),349 tabPanel("DBSCAN Clustering",350 sidebarLayout(351 sidebarPanel(352 fileInput("dbscaninput", "Choose a CSV or XLSX file", accept = c(".csv", ".xlsx")),353 actionButton("loaddbscan", "Load Data"),354 selectInput("independentVardbscan", "Select Columns", choices = NULL, multiple = T),355 actionButton("rundbscandist", "Run kNN"),356 actionButton("rundbscan", "Run DBSCAN"),357 numericInput("numepsdbscan", "Type Optimum Epsilon:", value = 0),358 HTML("<div>359 <h2>DBSCAN Kümeleme Paneli</h2>360 361 <h3>Çıktı Nedir ve Neden Kullanılır?</h3>362 <p>DBSCAN (Yoğunluk Tabanlı Mekansal Kümeleme Uygulamaları ile Gürültü), veri noktalarını yoğunluk temelinde kümeler halinde gruplandıran bir kümeleme algoritmasıdır. Bu panel, kullanıcıların yoğunluk tabanlı kümeleri keşfetmelerine ve gürültülü veri noktalarını ayırt etmelerine olanak tanır.</p>363 364 <h3>Kullanım Adımları:</h3>365 <ol>366 <li><strong>Veri Dosyası Yükleme:</strong> Analize başlamak için bir CSV veya XLSX dosyası yükleyin.</li>367 <li><strong>Değişkenlerin Seçimi:</strong> Kümelemede kullanılacak değişkenleri seçin.</li>368 <li><strong>kNN Mesafesinin Çalıştırılması:</strong> Optimum epsilon değerini belirlemek için kNN mesafesini çalıştırın.</li>369 <li><strong>DBSCAN Kümelemesini Çalıştırma:</strong> Belirlenen epsilon değeriyle DBSCAN kümelemesini çalıştırın.</li>370 </ol>371 372 <h3>Kullanıcı Etkileşimi:</h3>373 <p>Kullanıcılar, veri setlerini yükleyebilir, analiz için değişkenleri seçebilir, optimum epsilon değerini belirleyebilir ve DBSCAN algoritmasını kullanarak kümeleme yapabilir.</p>374 375 <h3>Veri Bilimi ve Makine Öğrenmesindeki Uygulamaları:</h3>376 <p>DBSCAN, özellikle düzensiz şekillerdeki kümeleri tanıyabilme ve aykırı değerleri (gürültüyü) dışlayabilme yeteneği nedeniyle, veri madenciliği, görüntü analizi ve biyoinformatik gibi alanlarda kullanılır.</p>377 378 <h3>Desteklenen Dosya Tipleri ve Seçenekler:</h3>379 <p>Panel, CSV (.csv) ve Excel (.xlsx) formatlarını destekler, bu da kullanıcıların farklı veri kaynaklarından kolaylıkla veri yüklemesine olanak tanır.</p>380 381 <h3>Sonuçların Yorumlanması:</h3>382 <p>DBSCAN Kümeleme sonuçları, kNN mesafe grafiği, kümeleme özeti, kümeleme görselleştirmesi ve siluet analizi aracılığıyla sunulur. kNN mesafe grafiği, optimum epsilon değerinin belirlenmesine yardımcı olur. Kümeleme özeti, oluşturulan kümeler ve her birindeki veri noktası sayısını içerir. Kümeleme görselleştirmesi, oluşturulan kümelerin dağılımını gösterir. Siluet analizi, kümelerin ne kadar iyi tanımlandığını ve ayrıldığını değerlendirir.</p>383 384 <ul>385 <li><strong>kNN Mesafe Grafiği:</strong> Optimum epsilon değerinin belirlenmesine yardımcı olan bir grafiği içerir.</li>386 <li><strong>Kümeleme Özeti:</strong> Oluşturulan kümelerin sayısını ve her birindeki veri noktası sayısını gösterir.</li>387 <li><strong>Kümeleme Görselleştirmesi:</strong> Oluşturulan kümelerin mekansal dağılımını gösterir.</li>388 <li><strong>Siluet Analizi:</strong> Kümeleme kalitesinin bir göstergesi olan siluet skorlarını içerir. Bu skorlar, kümelerin ne kadar iyi tanımlandığını ve ayrıldığını gösterir.</li>389 </ul>390 391 <p>DBSCAN Kümeleme Paneli, veri setlerindeki doğal kümeleri keşfetmek ve veri içgörülerini elde etmek için güçlü bir araçtır.</p>392</div>")393 ),394 mainPanel(395 tabsetPanel(396 tabPanel("Data Summary", verbatimTextOutput("dataSummarydbscan")),397 tabPanel("DBSCAN Output",398 tabsetPanel(399 tabPanel("kNN Plot", plotOutput("rundbscandist", width = "100%", height = "625px")),400 tabPanel("Run DBSCAN", verbatimTextOutput("rundbscan")),401 tabPanel("Clustering Plot", plotlyOutput("clusteringPlotdbscan", width = "100%", height = "625px")),402 tabPanel("Silhoutte Result", plotlyOutput("silhouettePlotdbscan", width = "100%", height = "625px"))403 )404 )405 )406 )407 )408 ),409 tabPanel("Associated Rule Learning",410 sidebarLayout(411 sidebarPanel(412 fileInput("arlinput", "Choose a CSV or XLSX file", accept = c(".csv", ".xlsx")),413 actionButton("loadarl", "Load Data"),414 selectInput("targetarl", "Select ID Column", choices = NULL),415 selectInput("itemsColumn", "Select Basket Column", choices = NULL),416 actionButton("runarl", "Run ARL"),417 HTML("<div>418 <h2>İlişkisel Kural Öğrenimi Paneli</h2>419 420 <h3>Çıktı Nedir ve Neden Kullanılır?</h3>421 <p>İlişkisel Kural Öğrenimi (ARL), veri setlerindeki öğeler arasındaki ilişkileri ve sıklıkla birlikte gerçekleşen öğe setlerini keşfetmek için kullanılan bir veri madenciliği tekniğidir. Bu panel, Apriori algoritmasını kullanarak ilişkisel kuralları belirlemeye ve bu kuralların önemini değerlendirmeye yardımcı olur.</p>422 423 <h3>Kullanım Adımları:</h3>424 <ol>425 <li><strong>Veri Dosyası Yükleme:</strong> Analize başlamak için bir CSV veya XLSX dosyası yükleyin.</li>426 <li><strong>Değişkenlerin Seçimi:</strong> Analiz için ID ve sepet sütunlarını seçin.</li>427 <li><strong>ARL Çalıştırma:</strong> İlişkisel kural öğrenimini başlatmak için 'Run ARL' düğmesine tıklayın.</li>428 </ol>429 430 <h3>Kullanıcı Etkileşimi:</h3>431 <p>Kullanıcılar, veri setlerini yükleyebilir, analiz için değişkenleri seçebilir ve ARL algoritmasını çalıştırabilir. Elde edilen kurallar, önem sırasına göre sıralanır ve kullanıcıya sunulur.</p>432 433 <h3>Veri Bilimi ve Makine Öğrenmesindeki Uygulamaları:</h3>434 <p>ARL, perakende satış analizleri, ürün öneri sistemleri ve müşteri satın alma davranışlarının incelenmesi gibi alanlarda kullanılır. Bu yöntem, veri setlerindeki gizli ilişkileri ortaya çıkararak iş kararları için değerli içgörüler sağlar.</p>435 436 <h3>Desteklenen Dosya Tipleri ve Seçenekler:</h3>437 <p>Panel, CSV (.csv) ve Excel (.xlsx) formatlarını destekler, bu da kullanıcıların farklı veri kaynaklarından kolaylıkla veri yüklemesine olanak tanır.</p>438 439 <h3>Sonuçların Yorumlanması:</h3>440 <p>İlişkisel kural öğrenim sonuçları, madde frekans grafiği, Apriori algoritması çıktısı ve sıralı ARL çıktısı aracılığıyla sunulur. Madde frekans grafiği, veri setindeki öğelerin sıklığını gösterir. Apriori algoritması çıktısı, elde edilen kuralları ve bu kuralların destek, güven ve kaldıraç değerlerini içerir. Sıralı ARL çıktısı, kuralların önem sırasına göre sıralanmasını sağlar, bu da kullanıcıların en önemli kuralları kolaylıkla belirlemesine yardımcı olur.</p>441 442 <ul>443 <li><strong>Madde Frekans Grafiği:</strong> Veri setindeki öğelerin sıklığını gösterir.</li>444 <li><strong>Apriori Algoritması Çıktısı:</strong> Elde edilen kuralları ve bu kuralların destek, güven ve kaldıraç değerlerini içerir.</li>445 <li><strong>Sıralı ARL Çıktısı:</strong> Kuralların önem sırasına göre sıralanmasını sağlar.</li>446 </ul>447 448 <p>İlişkisel Kural Öğrenimi Paneli, veri setlerindeki ilişkisel kuralları keşfetmek ve veri içgörülerini elde etmek için güçlü bir araçtır449 450.</p>451</div>")452 ),453 mainPanel(454 tabsetPanel(455 tabPanel("ARL Plot", plotlyOutput("itemFreqPlot", width = "100%", height = "625px")),456 tabPanel("Run Appriori", verbatimTextOutput("runarlapp")),457 tabPanel("Sorted ARL Output", verbatimTextOutput("sortedARLOutput"))458 )459 )460 )461 ),462 463 464 )465 466)467 468server <- function(input, output, session) {469 470 ##Unsupervised Learning471 ###Principal Component Analysis472 datapca <- reactiveVal(NULL)473 pca_model_reactive <- reactiveVal()474 read_data <- function(filepath) {475 ext <- tools::file_ext(filepath)476 if (ext == "csv") {477 read.csv(filepath, stringsAsFactors = FALSE)478 } else if (ext == "xlsx") {479 readxl::read_excel(filepath)480 } else {481 stop("Invalid file format. Please select a CSV or XLSX file.")482 }483 }484 485 clean_column_names <- function(dataframe) {486 colnames(dataframe) <- gsub("[^[:alnum:]_]", "", make.names(colnames(dataframe), unique = TRUE))487 return(dataframe)488 }489 # Load and clean data490 observeEvent(input$loadpca, {491 req(input$pcainput)492 file <- input$pcainput493 if (!is.null(file)) {494 # Reading and cleaning data495 data_df <- read_data(file$datapath)496 data_df <- clean_column_names(data_df)497 # Setting the reactive value498 datapca(data_df)499 # Updating UI elements500 updateSelectInput(session, "independentVarpca", choices = colnames(data_df))501 }502 })503 504 output$dataSummarypca <- renderPrint({505 req(datapca())506 summary(datapca())507 }) 508 509 pca_reactive <- eventReactive(input$runpca, {510 req(datapca(), input$independentVarpca)511 if (length(input$independentVarpca) == 0) {512 return(NULL)513 }514 data_pca <- datapca() %>%515 dplyr::select(all_of(input$independentVarpca)) %>%516 na.omit()517 if (nrow(data_pca) < 10) {518 return(NULL)519 }520 pca_model <- prcomp(data_pca, scale = TRUE)521 pca_model_reactive(pca_model)522 pca_model523 })524 525 observeEvent(input$runpca, { 526 req(pca_reactive())527 output$runpca <- renderPrint({528 pca_result <- pca_reactive()529 530 print(pca_result)531 532 # Print the summary of PCA results533 pca_summary <- summary(pca_result)534 print(pca_summary)535 536 # Interpretation for the users537 cat("Principal Component Analysis (PCA) Summary:\n")538 cat("The 'Proportion of Variance' indicates how much information (variance) is captured by each principal component.\n")539 cat("The 'Cumulative Proportion' indicates the total variance captured by all the components up to that point.\n")540 cat("\nFor example, if the first two principal components capture 70% of the variance, it means that these two components together represent most of the variability in the data.\n")541 cat("This can be used to reduce the dimensionality of the data, by considering only the first few principal components that capture most of the variance.\n")542 543 # Holland's criteria for deciding how many PCs to retain544 cat("\nHolland's Criteria for Retaining Principal Components:\n")545 cat("1) Ignore components where the next PC offers little increase in total variance explained.\n")546 cat("2) Include PCs up to a predetermined total percent variance explained, such as 90%.\n")547 cat("3) Ignore components whose variance explained is less than 1 with a correlation matrix, or less than average variance explained with a covariance matrix.\n")548 cat("4) Ignore the last PCs whose variance explained is all roughly equal.\n")549 550 # Holland's Criteria Implementation551 cat("\nHolland's Criteria for Retaining Principal Components:\n")552 553 # Criterion 1: Ignore PCs with little increase in total variance explained554 variance_increases <- diff(pca_summary$importance["Proportion of Variance", ])555 significant_increase_index <- which(variance_increases > 0.01) # Adjust the threshold as needed556 if (length(significant_increase_index) > 0) {557 cat("Criterion 1: Consider PCs up to index ", max(significant_increase_index), "\n")558 }559 560 # Criterion 2: Total percent variance explained, such as 90%561 cumulative_variance <- pca_summary$importance["Cumulative Proportion", ]562 sufficient_variance_index <- which(cumulative_variance >= 0.9)[1]563 if (!is.na(sufficient_variance_index)) {564 cat("Criterion 2: Consider PCs up to index ", sufficient_variance_index, " to explain 90% of variance.\n")565 }566 567 # Criterion 3: Ignore components with variance explained less than average568 average_variance <- mean(pca_summary$importance["Proportion of Variance", ])569 sufficient_variance_index <- which(pca_summary$importance["Proportion of Variance", ] >= average_variance)570 if (length(sufficient_variance_index) > 0) {571 cat("Criterion 3: Consider PCs with variance greater than the average ", round(average_variance, 2), "\n")572 }573 574 # Criterion 4: Ignore last PCs with roughly equal variance explained575 # Implementation can be subjective and depends on the context. Typically involves looking at a scree plot.576 cat("Criterion 4: This part is subjective and depends on how you want to prioritize or combine the criteria.\n")577 # Final recommendation based on Holland's Criteria578 cat("\nFinal Recommendation based on Holland's Criteria:\n")579 # Combine and interpret the criteria here. 580 cat("Final: This part is subjective and depends on how you want to prioritize or combine the criteria.\n")581 })582 })583 584 585 observeEvent(input$runpca, { 586 req(datapca(), input$independentVarpca)587 # Get the data588 data_for_pca <- datapca()589 590 # Run PCA only on complete cases to avoid NAs591 complete_data <- data_for_pca[complete.cases(data_for_pca[input$independentVarpca]), input$independentVarpca]592 pca_result <- prcomp(complete_data, scale = TRUE)593 594 # Generate the biplot595 output$biPlotpca <- renderPlotly({596 fviz_pca_biplot(pca_result, label = "var",597 addEllipses=TRUE, ellipse.level=0.95,598 ggtheme = theme_minimal()) %>%599 ggplotly() %>% layout(dragmode = "select") # Enable selection mode in plotly600 })601 })602 603 604 605 606 607 ###K-Means Clustering608 datakmc <- reactiveVal(NULL)609 kmc_model_reactive <- reactiveVal()610 # Load and clean data611 observeEvent(input$loadkmc, {612 req(input$kmcinput)613 file <- input$kmcinput614 if (!is.null(file)) {615 # Reading and cleaning data616 data_df <- read_data(file$datapath)617 data_df <- clean_column_names(data_df)618 619 # Setting the reactive value620 datakmc(data_df)621 622 # Updating UI elements623 updateSelectInput(session, "targetkmc", choices = colnames(data_df))624 updateSelectInput(session, "independentVarkmc", choices = colnames(data_df))625 }626 })627 628 629 output$dataSummarykmc <- renderPrint({630 req(datakmc())631 summary(datakmc())632 }) 633 634 observeEvent(input$runkmc, {635 req(datakmc(), input$targetkmc, input$independentVarkmc)636 637 withProgress(message = 'Model is being trained...', value = 0, {638 # Increment progress639 incProgress(0.1) # Initial progress640 data_kmc <- datakmc() %>%641 dplyr::select(input$targetkmc, input$independentVarkmc) %>%642 na.omit()643 644 # Early return if conditions are not met645 if (length(input$targetkmc) == 0) {646 output$modelOutputkmc <- renderPrint({ "Please select the first variable." })647 return()648 }649 650 if (length(input$independentVarkmc) == 0) {651 output$modelOutputkmc <- renderPrint({ "Please select the second variable." })652 return()653 }654 655 incProgress(0.3) # Increment progress656 if (nrow(data_kmc) < 10) {657 output$modelOutputkmc <- renderPrint({ "Dataset is too small after removing NA values." })658 return()659 }660 incProgress(0.6) # Increment progress661 # Partition the data662 663 664 # Fit the Random Forest model665 x <- data_kmc %>% dplyr::select(input$targetkmc, input$independentVarkmc)666 z <- scale(x)667 num_clusters <- input$numCenterskmc668 kmc_model <- kmeans(z, num_clusters, nstart = 20)669 kmc_model_reactive(kmc_model)670 671 # Augment data with cluster assignments672 data_kmc$cluster <- kmc_model$cluster673 674 # Model summary675 output$runkmc <- renderPrint({676 print(kmc_model)677 678 })679 680 # Finalize progress681 incProgress(1.0) # Complete the progress682 })683 }) 684 685 output$clusteringPlotkmc <- renderPlotly({686 req(kmc_model_reactive(), input$targetkmc, input$independentVarkmc)687 688 # Get the k-means model689 kmc_model <- kmc_model_reactive()690 691 # Get the data and add cluster assignments692 data_kmc <- datakmc() %>%693 dplyr::select(input$targetkmc, input$independentVarkmc) %>%694 na.omit()695 696 # Ensure the k-means model is valid697 if (is.null(kmc_model)) {698 print("K-means model is not available.")699 return()700 }701 702 # Prepare data for fviz_cluster703 # fviz_cluster requires a kmeans object and data used for clustering704 # Make sure data_kmc and kmc_model correspond to each other705 fviz_cluster(kmc_model, data = data_kmc, stand = FALSE, geom = "point", 706 ellipse.type = "convex", 707 palette = "jco", 708 ggtheme = theme_minimal())709 })710 711 output$silhouettePlotkmc <- renderPlotly({712 req(kmc_model_reactive(), input$targetkmc, input$independentVarkmc)713 714 # Retrieve the k-means model715 kmc_model <- kmc_model_reactive()716 717 # Retrieve the data718 data_kmc <- datakmc() %>%719 dplyr::select(input$targetkmc, input$independentVarkmc) %>%720 na.omit()721 722 # Create the silhouette object723 silhouette_info <- silhouette(kmc_model$cluster, dist(data_kmc))724 725 # Visualize the silhouette plot726 fviz_silhouette(silhouette_info) + 727 labs(title = "Silhouette Plot for K-Means Clustering")728 })729 730 ###Hierarchical Clustering731 datahc <- reactiveVal(NULL)732 # Load and clean data733 observeEvent(input$loadhc, {734 req(input$hcinput)735 file <- input$hcinput736 if (!is.null(file)) {737 # Reading and cleaning data738 data_df <- read_data(file$datapath)739 data_df <- clean_column_names(data_df)740 741 # Setting the reactive value742 datahc(data_df)743 744 # Updating UI elements745 updateSelectInput(session, "independentVarhc", choices = colnames(data_df))746 }747 })748 749 750 output$dataSummaryhc <- renderPrint({751 req(datahc())752 summary(datahc())753 }) 754 755 # Create reactive expressions for each method that trigger only when the corresponding button is clicked756 average_hc_reactive <- eventReactive(input$runavehc, {757 req(datahc(), input$independentVarhc)758 # Early return if conditions are not met759 if (length(input$independentVarhc) == 0) {760 output$modelOutputhc <- renderPrint({ "Please select the second variable." })761 return()762 }763 data_hc <- datahc() %>%764 dplyr::select(input$independentVarhc) %>%765 na.omit()766 if (nrow(data_hc) < 10) {767 output$modelOutputhc <- renderPrint({ "Dataset is too small after removing NA values." })768 return()769 }770 # Partition the data771 hc_average <- hclust(dist(scale(data_hc)), method = "average")772 return(hc_average)773 })774 775 centroid_hc_reactive <- eventReactive(input$runcenhc, { # Please make sure you have a separate button ID for centroid linkage776 req(datahc(), input$independentVarhc)777 # Early return if conditions are not met778 if (length(input$independentVarhc) == 0) {779 output$modelOutputhc <- renderPrint({ "Please select the second variable." })780 return()781 }782 data_hc <- datahc() %>%783 dplyr::select(input$independentVarhc) %>%784 na.omit()785 if (nrow(data_hc) < 10) {786 output$modelOutputhc <- renderPrint({ "Dataset is too small after removing NA values." })787 return()788 }789 hc_centroid <- hclust(dist(scale(data_hc)), method = "centroid")790 return(hc_centroid)791 })792 793 794 #Average Dendogram795 output$averageDendrogram <- renderPlotly({796 hc_average <- average_hc_reactive()797 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available798 hc_average <- hclust(dist(datahc()), method = "average")799 # Directly cut the dendrogram800 clusters <- cutree(hc_average, k = input$numCentershc)801 # Plot the dendrogram802 ggdendrogram(hc_average, rotate = FALSE) + 803 labs(title = "Average Linkage with Scaled Features") +804 geom_hline(yintercept = which.max(table(clusters)), linetype = "dashed")805 })806 807 output$silhouettePlotHCave <- renderPlotly({808 hc_average <- average_hc_reactive()809 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available810 # Compute hierarchical clustering with average linkage811 hc_average <- hclust(dist(datahc()), method = "average")812 # Cut the dendrogram to create cluster assignments813 clusters <- cutree(hc_average, k = input$numCentershc)814 # Compute the silhouette information815 silhouette_info <- silhouette(clusters, dist(datahc()))816 # Visualize the silhouette plot817 fviz_silhouette(silhouette_info) + 818 labs(title = "Silhouette Plot for Hierarchical Clustering (Average Linkage)")819 })820 821 #Centroid Dendogram822 output$centroidDendrogram <- renderPlotly({823 hc_centroid <- centroid_hc_reactive()824 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available825 hc_centroid <- hclust(dist(datahc()), method = "centroid")826 # Directly cut the dendrogram827 clusters <- cutree(hc_centroid, k = input$numCentershc)828 # Plot the dendrogram829 ggdendrogram(hc_centroid, rotate = FALSE) + 830 labs(title = "Centroid Linkage with Scaled Features") +831 geom_hline(yintercept = which.max(table(clusters)), linetype = "dashed")832 })833 834 output$silhouettePlotHCcen <- renderPlotly({835 hc_centroid <- centroid_hc_reactive()836 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available837 # Compute hierarchical clustering with centroid linkage838 hc_centroid <- hclust(dist(datahc()), method = "centroid")839 # Cut the dendrogram to create cluster assignments840 clusters <- cutree(hc_centroid, k = input$numCentershc)841 # Compute the silhouette information842 silhouette_info <- silhouette(clusters, dist(datahc()))843 # Visualize the silhouette plot844 fviz_silhouette(silhouette_info) + 845 labs(title = "Silhouette Plot for Hierarchical Clustering (Centroid Linkage)")846 })847 848 #ward.D2 Dendogram849 wardd2_hc_reactive <- eventReactive(input$runwddhc, { # Please make sure you have a separate button ID for ward.D2 linkage850 req(datahc(), input$independentVarhc)851 # Early return if conditions are not met852 if (length(input$independentVarhc) == 0) {853 output$modelOutputhc <- renderPrint({ "Please select the second variable." })854 return()855 }856 data_hc <- datahc() %>%857 dplyr::select(input$independentVarhc) %>%858 na.omit()859 if (nrow(data_hc) < 10) {860 output$modelOutputhc <- renderPrint({ "Dataset is too small after removing NA values." })861 return()862 }863 hc_wardd2 <- hclust(dist(scale(data_hc)), method = "ward.D2")864 return(hc_wardd2)865 })866 867 868 output$wdd2Dendrogram <- renderPlotly({869 hc_wardd2 <- wardd2_hc_reactive()870 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available871 hc_wardd2 <- hclust(dist(datahc()), method = "ward.D2")872 # Directly cut the dendrogram873 clusters <- cutree(hc_wardd2, k = input$numCentershc)874 # Plot the dendrogram875 ggdendrogram(hc_wardd2, rotate = FALSE) + 876 labs(title = "Ward D2 Linkage with Scaled Features") +877 geom_hline(yintercept = which.max(table(clusters)), linetype = "dashed")878 })879 880 output$silhouettePlotHCwdd2 <- renderPlotly({881 hc_wardd2 <- wardd2_hc_reactive()882 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available883 # Compute hierarchical clustering with ward.D2 linkage884 hc_wardd2 <- hclust(dist(datahc()), method = "ward.D2")885 # Cut the dendrogram to create cluster assignments886 clusters <- cutree(hc_wardd2, k = input$numCentershc)887 # Compute the silhouette information888 silhouette_info <- silhouette(clusters, dist(datahc()))889 # Visualize the silhouette plot890 fviz_silhouette(silhouette_info) + 891 labs(title = "Silhouette Plot for Hierarchical Clustering (Ward D2 Linkage)")892 })893 894 #WPGMA Dendogram895 mcqu_hc_reactive <- eventReactive(input$runmchc, { # Please make sure you have a separate button ID for mcquitty linkage896 req(datahc(), input$independentVarhc)897 # Early return if conditions are not met898 if (length(input$independentVarhc) == 0) {899 output$modelOutputhc <- renderPrint({ "Please select the second variable." })900 return()901 }902 data_hc <- datahc() %>%903 dplyr::select(input$independentVarhc) %>%904 na.omit()905 if (nrow(data_hc) < 10) {906 output$modelOutputhc <- renderPrint({ "Dataset is too small after removing NA values." })907 return()908 }909 hc_mcqu <- hclust(dist(scale(data_hc)), method = "mcquitty")910 return(hc_mcqu)911 })912 913 914 output$mcquDendrogram <- renderPlotly({915 hc_mcqu <- mcqu_hc_reactive()916 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available917 hc_mcqu <- hclust(dist(datahc()), method = "mcquitty")918 # Directly cut the dendrogram919 clusters <- cutree(hc_mcqu, k = input$numCentershc)920 # Plot the dendrogram921 ggdendrogram(hc_mcqu, rotate = FALSE) + 922 labs(title = "Mcquity Linkage with Scaled Features") +923 geom_hline(yintercept = which.max(table(clusters)), linetype = "dashed")924 })925 926 output$silhouettePlotHCmc <- renderPlotly({927 hc_mcqu <- mcqu_hc_reactive()928 req(datahc(), input$numCentershc) # Ensure the scaled data and number of clusters are available929 # Compute hierarchical clustering with mcquitty linkage930 hc_mcqu <- hclust(dist(datahc()), method = "mcquitty")931 # Cut the dendrogram to create cluster assignments932 clusters <- cutree(hc_mcqu, k = input$numCentershc)933 # Compute the silhouette information934 silhouette_info <- silhouette(clusters, dist(datahc()))935 # Visualize the silhouette plot936 fviz_silhouette(silhouette_info) + 937 labs(title = "Silhouette Plot for Hierarchical Clustering (Mcquity Linkage)")938 })939 940 ###Density-based spatial clustering of applications - DBSCAN941 datadbscan <- reactiveVal(NULL)942 dbscan_model_reactive <- reactiveVal()943 # Load and clean data944 observeEvent(input$loaddbscan, {945 req(input$dbscaninput)946 file <- input$dbscaninput947 if (!is.null(file)) {948 # Reading and cleaning data949 data_df <- read_data(file$datapath)950 data_df <- clean_column_names(data_df)951 952 # Setting the reactive value953 datadbscan(data_df)954 955 # Updating UI elements956 updateSelectInput(session, "independentVardbscan", choices = colnames(data_df))957 }958 })959 960 961 output$dataSummarydbscan <- renderPrint({962 req(datadbscan())963 summary(datadbscan())964 }) 965 966 #kNN Neighboring967 kNN_dbscan_reactive <- eventReactive(input$rundbscandist, { # Please make sure you have a separate button ID for mcquitty linkage968 req(datadbscan(), input$independentVardbscan)969 # Early return if conditions are not met970 if (length(input$independentVardbscan) == 0) {971 output$modelOutputdbscan <- renderPrint({ "Please select the second variable." })972 return()973 }974 data_dbscan <- datadbscan() %>%975 dplyr::select(input$independentVardbscan) %>%976 na.omit()977 if (nrow(data_dbscan) < 10) {978 output$modelOutputdbscan <- renderPrint({ "Dataset is too small after removing NA values." })979 return()980 }981 dbscan_model <- scale(data_dbscan)982 return(dbscan_model)983 })984 985 output$rundbscandist <- renderPlot({986 dbscan_model <- kNN_dbscan_reactive()987 req(dbscan_model)988 989 # Assuming dbscan_model is scaled appropriately990 dists <- kNNdist(dbscan_model, k = 10)991 plot(dists, type='l', main="kNN distance")992 abline(h = 0.5, col = 'red', lty = 2) # Example line, adjust based on elbow993 994 # Heuristic to find the elbow point995 diff_dists <- diff(dists)996 optimal_eps <- which.max(diff_dists)997 998 # Add a vertical line at the optimal eps value999 abline(v = optimal_eps, col = 'blue', lwd = 2)1000 1001 # Annotate the optimal eps value on the plot1002 text(x = optimal_eps, y = dists[optimal_eps], labels = paste("Eps:", round(dists[optimal_eps], 2)), pos = 4, col = 'blue')1003 })1004 1005 1006 observeEvent(input$rundbscan, {1007 req(datadbscan(), input$independentVardbscan)1008 1009 withProgress(message = 'Model is being trained...', value = 0, {1010 incProgress(0.1)1011 data_dbscan <- datadbscan() %>%1012 dplyr::select(input$independentVardbscan) %>%1013 na.omit()1014 1015 # Check for variable selection and data size1016 if (length(input$independentVardbscan) == 0 || nrow(data_dbscan) < 10) {1017 output$modelOutputdbscan <- renderPrint({ "Please check your variable selection and ensure the dataset is not too small." })1018 incProgress(1.0)1019 return()1020 }1021 incProgress(0.3)1022 # Fit the DBSCAN model1023 dbscan_model <- dbscan(data_dbscan, eps = input$numepsdbscan)1024 1025 # Combine data with cluster labels1026 clustering_results <- cbind(data_dbscan, cluster = dbscan_model$cluster)1027 incProgress(0.7)1028 # Save the clustering results in a reactive value1029 dbscan_model_reactive(clustering_results)1030 1031 # Model summary1032 output$rundbscan <- renderPrint({ print(dbscan_model) })1033 1034 incProgress(1.0)1035 })1036 })1037 1038 1039 # Use the clustering results for plotting1040 output$clusteringPlotdbscan <- renderPlotly({1041 clustering_results <- dbscan_model_reactive()1042 1043 if (is.null(clustering_results) || nrow(clustering_results) == 0) {1044 print("No data available for plotting.")1045 return()1046 }1047 1048 selected_columns <- input$independentVardbscan1049 1050 if (!"cluster" %in% names(clustering_results) || any(is.na(clustering_results$cluster))) {1051 print("Cluster assignments are missing or contain NA values.")1052 return()1053 }1054 1055 data_for_plot <- clustering_results[, selected_columns]1056 1057 # Create a pseudo clustering object for fviz_cluster1058 pseudo_cluster_obj <- list(1059 data = data_for_plot,1060 cluster = clustering_results$cluster1061 )1062 1063 # Visualization using fviz_cluster1064 fviz_cluster(pseudo_cluster_obj, geom = "point", stand = FALSE)1065 1066 })1067 1068 output$silhouettePlotdbscan <- renderPlotly({1069 clustering_results <- dbscan_model_reactive()1070 1071 if (is.null(clustering_results) || nrow(clustering_results) == 0) {1072 print("No data available for silhouette analysis.")1073 return()1074 }1075 1076 selected_columns <- input$independentVardbscan1077 1078 if (!"cluster" %in% names(clustering_results) || any(is.na(clustering_results$cluster))) {1079 print("Cluster assignments are missing or contain NA values.")1080 return()1081 }1082 1083 data_for_plot <- clustering_results[, selected_columns]1084 clusters <- clustering_results$cluster1085 1086 # Compute distance matrix if not already computed1087 dist_matrix <- dist(data_for_plot)1088 1089 # Compute silhouette values1090 sil_values <- silhouette(clusters, dist_matrix)1091 1092 # Visualization using fviz_silhouette1093 fviz_silhouette(sil_values)1094 })1095 1096 ###Associated Rule Learning1097 dataarl <- reactiveVal(NULL) # Will hold the transactions object1098 buttonClicked <- reactiveVal(FALSE)1099 # Reactive value for storing the raw data1100 rawData <- reactiveVal(NULL)1101 1102 observeEvent(input$loadarl, {1103 req(input$arlinput)1104 # After reading the file1105 if (tools::file_ext(input$arlinput$datapath) == "csv") {1106 df <- read.csv(input$arlinput$datapath, stringsAsFactors = FALSE)1107 } else if (tools::file_ext(input$arlinput$datapath) == "xlsx") {1108 df <- readxl::read_excel(input$arlinput$datapath)1109 }1110 # Make sure df is a data frame and then store it1111 rawData(df) # Assuming rawData is meant to store the raw data frame1112 1113 # Update UI for column selection1114 updateSelectInput(session, "targetarl", "Select ID Column", choices = colnames(df))1115 updateSelectInput(session, "itemsColumn", "Select Transaction Column", choices = colnames(df))1116 1117 buttonClicked(FALSE) # Reset the button click status1118 })1119 1120 # Create a separate event for when the user confirms the column selection and clicks another action button to run ARL1121 observeEvent(input$runarl, {1122 req(rawData(), input$targetarl, input$itemsColumn)1123 print(str(dataarl())) # Debug: Check the structure of dataarl()1124 df <- rawData()1125 # Directly read the uploaded file again for this action, for debugging1126 if (tools::file_ext(input$arlinput$datapath) == "csv") {1127 df <- read.csv(input$arlinput$datapath, stringsAsFactors = FALSE)1128 } else if (tools::file_ext(input$arlinput$datapath) == "xlsx") {1129 df <- readxl::read_excel(input$arlinput$datapath)1130 } else {1131 stop("Unsupported file type")1132 }1133 1134 # Now df is guaranteed to be a data frame here1135 selected_data <- df %>%1136 dplyr::select(dplyr::all_of(input$targetarl), dplyr::all_of(input$itemsColumn)) %>%1137 dplyr::arrange(dplyr::all_of(input$targetarl))1138 1139 # Assuming each row is a transaction with a single item1140 # Create a unique identifier for each transaction1141 selected_data <- selected_data %>%1142 group_by(!!sym(input$targetarl)) %>%1143 summarise(Items = paste(!!sym(input$itemsColumn), collapse = ", ")) %>%1144 ungroup()1145 1146 # Write the preprocessed data to a temporary file for read.transactions1147 temp_file <- tempfile(fileext = ".csv")1148 write.table(selected_data, temp_file, row.names = FALSE, quote = FALSE, sep = ",")1149 1150 # Now read the transactions from the temporary file1151 trans <- read.transactions(temp_file, format = "basket", sep = ",", rm.duplicates = TRUE)1152 1153 # Update the reactive value holding the transactions1154 dataarl(trans)1155 1156 buttonClicked(TRUE)1157 # Cleanup: Remove the temporary file1158 unlink(temp_file)1159 })1160 1161 1162 # Assuming 'data' is your data frame and 'itemDescription' is your items column1163 preprocess_data <- function(data, itemsColumn) {1164 req(rawData(), dataarl(), input$targetarl, input$itemsColumn)1165 df <- rawData()1166 # Ensure the column is a character to avoid issues with factors1167 data[[itemsColumn]] <- as.character(data[[itemsColumn]])1168 1169 # Remove unwanted characters such as new line characters and extra spaces1170 data[[itemsColumn]] <- gsub("\n", "", data[[itemsColumn]])1171 data[[itemsColumn]] <- gsub("\"", "", data[[itemsColumn]])1172 data[[itemsColumn]] <- trimws(data[[itemsColumn]]) # Trim white spaces1173 1174 return(data)1175 }1176 1177 # Render Item Frequency Plot1178 createItemFreqPlot <- function(transactions, topN = 35) {1179 freq <- itemFrequency(transactions, type = "absolute")1180 freq_df <- data.frame(items = names(freq), frequency = freq)1181 1182 freq_df <- freq_df[order(-freq_df$frequency), ][1:topN, ]1183 1184 # Generate a palette with as many colors as bars1185 colors <- scales::hue_pal()(topN)1186 1187 ggplot(freq_df, aes(x = reorder(items, -frequency), y = frequency, fill = items)) +1188 geom_bar(stat = "identity") +1189 scale_fill_manual(values = colors) +1190 xlab("Items") +1191 ylab("Frequency") +1192 coord_flip() +1193 theme(legend.position = "none") # Optionally hide the legend1194 }1195 1196 1197 # Use preprocess_data in the eventReactive for plotData1198 plotData <- eventReactive(input$runarl, {1199 buttonClicked(TRUE) # Set to true when button is clicked1200 req(rawData(), dataarl(), input$targetarl, input$itemsColumn)