4.6 Muestra para aprendizaje máquina

Para el siguiente capítulo vamos a usar como conjunto de datos la muestra correspondiente al enlazado de FastLink de dos ‘clusters’

num_grupos <- 20

cl_out <- clusterMatch(
  vecA = nastat_personas$bdc_nombre, 
  vecB = registra_personas$bdc_nombre, 
  nclusters = num_grupos
)

nastat_personas$cluster <- cl_out$clusterA
registra_personas$cluster <- cl_out$clusterB

dfA <- subset(nastat_personas, cluster == 1)
dfB <- subset(registra_personas, cluster == 1)
  
matches.out <- fastLink(
 dfA = dfA, dfB = dfB,
 varnames = varnames,
 stringdist.match = stringdist.match,
 partial.match =    partial.match,
 verbose = TRUE, 
 n.cores = 1
)

enlaces <- data.frame(id_persona_a=dfA[matches.out$matches$inds.a,]$id_persona,
                      id_persona_b=dfB[matches.out$matches$inds.b,]$id_persona,
                      prob = matches.out$posterior, stringsAsFactors = FALSE) %>% 
  arrange(desc(prob))

patrones <- matches.out$patterns
colnames(patrones) = varnames
patrones <- patrones %>%
  mutate(id_persona_a=dfA[matches.out$matches$inds.a,]$id_persona, 
         id_persona_b=dfB[matches.out$matches$inds.b,]$id_persona)

enlaces <- enlaces %>% 
  inner_join(nastat_personas, by= c("id_persona_a" = "id_persona")) %>% 
  inner_join(registra_personas, by= c("id_persona_b" = "id_persona")) %>% 
  inner_join(patrones, by= c("id_persona_a", "id_persona_b")) %>%
  arrange(desc(prob))

save(dfA,dfB,matches.out,enlaces, file="bdc_poc_2.rda")