Estudiantes_Informe
Jhon Pimientas
2023-03-03
## load libraries
library(ggplot2)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(randomForest)## randomForest 4.7-1.1## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:dplyr':
##
## combine## The following object is masked from 'package:ggplot2':
##
## marginlibrary(class)
library(rpart)
library(rpart.plot)
library(e1071)
library(caret)## Loading required package: latticelibrary(caTools)
library(party)## Loading required package: grid## Loading required package: mvtnorm## Loading required package: modeltools## Loading required package: stats4## Loading required package: strucchange## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Loading required package: sandwich##
## Attaching package: 'party'## The following object is masked from 'package:dplyr':
##
## where## input
data <- read.csv("xAPI-Edu-Data.csv")
str(data)## 'data.frame': 480 obs. of 17 variables:
## $ gender : chr "M" "M" "M" "M" ...
## $ NationalITy : chr "KW" "KW" "KW" "KW" ...
## $ PlaceofBirth : chr "KuwaIT" "KuwaIT" "KuwaIT" "KuwaIT" ...
## $ StageID : chr "lowerlevel" "lowerlevel" "lowerlevel" "lowerlevel" ...
## $ GradeID : chr "G-04" "G-04" "G-04" "G-04" ...
## $ SectionID : chr "A" "A" "A" "A" ...
## $ Topic : chr "IT" "IT" "IT" "IT" ...
## $ Semester : chr "F" "F" "F" "F" ...
## $ Relation : chr "Father" "Father" "Father" "Father" ...
## $ raisedhands : int 15 20 10 30 40 42 35 50 12 70 ...
## $ VisITedResources : int 16 20 7 25 50 30 12 10 21 80 ...
## $ AnnouncementsView : int 2 3 0 5 12 13 0 15 16 25 ...
## $ Discussion : int 20 25 30 35 50 70 17 22 50 70 ...
## $ ParentAnsweringSurvey : chr "Yes" "Yes" "No" "No" ...
## $ ParentschoolSatisfaction: chr "Good" "Good" "Bad" "Bad" ...
## $ StudentAbsenceDays : chr "Under-7" "Under-7" "Above-7" "Above-7" ...
## $ Class : chr "M" "M" "L" "L" ...summary(data)## gender NationalITy PlaceofBirth StageID
## Length:480 Length:480 Length:480 Length:480
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## GradeID SectionID Topic Semester
## Length:480 Length:480 Length:480 Length:480
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Relation raisedhands VisITedResources AnnouncementsView
## Length:480 Min. : 0.00 Min. : 0.0 Min. : 0.00
## Class :character 1st Qu.: 15.75 1st Qu.:20.0 1st Qu.:14.00
## Mode :character Median : 50.00 Median :65.0 Median :33.00
## Mean : 46.77 Mean :54.8 Mean :37.92
## 3rd Qu.: 75.00 3rd Qu.:84.0 3rd Qu.:58.00
## Max. :100.00 Max. :99.0 Max. :98.00
## Discussion ParentAnsweringSurvey ParentschoolSatisfaction
## Min. : 1.00 Length:480 Length:480
## 1st Qu.:20.00 Class :character Class :character
## Median :39.00 Mode :character Mode :character
## Mean :43.28
## 3rd Qu.:70.00
## Max. :99.00
## StudentAbsenceDays Class
## Length:480 Length:480
## Class :character Class :character
## Mode :character Mode :character
##
##
## Análisis exploratiro de los datos
En el presente informe veremos una serie de datos que tienen como tematica la prediccion de clases.
Histogramas
ggplot(data = data, aes(x = raisedhands)) + geom_histogram(color = "black") +
scale_x_continuous(breaks = seq(0,100,5)) +
labs(x = "Raised Hands", y = "Student Count")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(data = data, aes(x = VisITedResources)) + geom_histogram(color = "black") +
scale_x_continuous(breaks = seq(0,100,5)) +
labs(x = "Visited Resources", y = "Student Count")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(data = data, aes(x = AnnouncementsView)) + geom_histogram(color = "black") +
scale_x_continuous(breaks = seq(0,100,5)) +
labs(x = "Announcements View", y = "Student Count")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(data = data, aes(x = Discussion)) + geom_histogram(color = "black") +
scale_x_continuous(breaks = seq(0,100,5)) +
labs(x = "Discussion Participation", y = "Student Count")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
En las graficas de barras anteriores podemos notar en el grafico donde esta en el eje x “manos levantadas” podemos notar que nos proporciona informacion acerca de la cantidad de veces que cierta cantidad de estudiantes levantaron la mano. En el grafico donde en el eje x esta “recursos visitados” nos brinda informacion sobre la cantidad de estudiantes visitaron recursos. En el grafico donde en el eje x esta “vistas de anuncios” vemos la cantidad de estudiantes que vieron cierta cantidad de anuncios.En el grafico donde esta en el eje x “participacion en discusiones” vemos la cantidad de estudiantes que participarion cierta cantidad de veces en una discucion.
Gráfica de barras
ggplot(data = data, aes(x = gender)) + geom_bar() +
labs(x = "Gender", y = "Student Count") +
scale_y_continuous(breaks = seq(0,300,30)) + coord_flip()
ggplot(data = data, aes(x = NationalITy)) + geom_bar() +
labs(x = "Nationality", y = "Student Count") +
scale_y_continuous(breaks = seq(0,200,20)) + coord_flip()
ggplot(data = data, aes(x = PlaceofBirth)) + geom_bar(aes(fill = NationalITy)) +
labs(x = "Birth Place", y = "Student Count") + coord_flip() # usa is a mix of nationalities
ggplot(data = data, aes(x = GradeID, fill = Class)) + geom_bar() +
labs(x = "Grade ID", y = "Student Count") + coord_flip() # g-06 has students with only low grades
ggplot(data = data, aes(x = GradeID, fill = gender)) + geom_bar() +
labs(x = "Grade ID", y = "Student Count") + coord_flip() # g-10 has no females
ggplot(data = data, aes(x = SectionID, fill = Topic)) + geom_bar() +
labs(x = "Section ID", y = "Student Count") +
coord_flip()
En el primer grafico de barras vemos la cantidad de estudiantes que son mujeres y hombres, donde hay mayor cantidad de hombres. En el segundo grafico vemos que hay mayor cantidad de estudiantes que son Kuwait y hay menor cantidad de estudiantes de venezuela.En el tecer grafico de barras vemos cantidad de estudiantes que nacieron en el lugar con relacion su nacionalidad, podemos notar que Kuwait tiene nacionalidades de Tunez,Kuwait y Egipto.En el cuarto grafico de barras vemos que el curso que mas estudiantes tiene es el G-02. En el quinto grafico vemos que el curso que mas mujeres y hombres tiene es el G-02. En el sexto grafico la clase C tiene solamente estudiantes de TI y ciencias.
ggplot(data = data, aes(x = Topic, fill = gender)) + geom_bar() +
labs(x = "Topic", y = "Student Count") +
scale_y_continuous(breaks = seq(0,100,4)) + coord_flip()
En este grafico vemos que el español tiene la peor proporción de hombres:mujeres, mientras que las ciencias, la química, el inglés y el francés tienen una buena proporción.
ggplot(data = data, aes(x = Topic, fill = NationalITy)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En este grafico podemos notar que It tiene la mayor cantidad de personas que son de KW, ademas Química tiene la menor diversidad de nacionalidades y Frances tiene la mayor diversidad de nacionalidades.
ggplot(data = data, aes(x = Topic, fill = StageID)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En este grafico podemos notar que los temas de Geología, biología y química sólo hacen parte estudiantes de la escuela intermedia. Ademas El fránces tiene a todos sus estudiantes de bajo nivel, a excepción de unos pocos estudiantes de secundaria.
ggplot(data = data, aes(x = Topic, fill = SectionID)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En este grafico podemos notar que la sección C solo tiene estudiantes de español y Ti.
ggplot(data = data, aes(x = Topic, fill = Semester)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En este grafico podemos evidenciar que Ti tiene la mayor cantidad de estudiantes que son de primer semestre.
ggplot(data = data, aes(x = Topic, fill = Relation)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En este grafico podemos ver que la mayoría de los estudiantes franceses tienen a la mamá como tutor, mientras que la mayoría de los estudiantes de TI tienen padres como tutor.
ggplot(data = data, aes(x = Topic, fill = Class)) + geom_bar() +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
ggplot(data = data, aes(x = Topic, fill = Class)) + geom_bar(position = "fill") +
labs(x = "Topic", y = "Student Count") + coord_flip() +
scale_y_continuous(breaks = seq(0,100,4))
En el primer grafico podemos notar que hay mayor cantidad de estudiantes que tienen notas bajas en IT. En el segundo grafico podemos notar que el tema de geología no tiene bajas calificaciones.
ggplot(data = data, aes(x = Semester)) + geom_bar() +
labs(x = "Semester", y = "Student Count")
ggplot(data = data, aes(x = Relation, fill = Semester)) + geom_bar() +
labs(x = "Gaurdian", y = "Student Count")
ggplot(data = data, aes(x = ParentAnsweringSurvey, fill = ParentschoolSatisfaction)) +
geom_bar() +
labs(x = "Does parent answer survey ?", y = "Student Count")
En el primer grafico podemos notar que hay mayor cantidad de estudiantes primer semestre. En el segundo grafico vemos que hay mayor cantidad de estudiantes tiene a su papa como tutor. En el tercer grafico La mayoría de los padres que no están satisfechos con la escuela no responden a la encuesta.
ggplot(data = data, aes(x = ParentschoolSatisfaction)) +
geom_bar() +
labs(x = "Is the parent satified with the school ?", y = "Student Count")
ggplot(data = data, aes(x = StudentAbsenceDays)) + geom_bar() +
labs(x = "Is the student absent for more than seven days", y = "Student Count")
ggplot(data = data, aes(x = Class, fill = gender)) + geom_bar() +
labs(x = "Class", y = "Student Count")
En el primer grafico vemos que la mayoria de los padres esta satisfecho con la escuela. En el segundo grafico vemos que la moayoria de estudiantes falto menos de 7 veces a la escuela. En el tercer grafico vemos que hay mayor cantidad de hombres con calificaciones intermedia.
ggplot(data = data, aes(x = Class, fill = Relation)) + geom_bar() +
labs(x = "Class", y = "Student Count")
En el grafico podemos observar que los estudiantes que tienen madres como guardianes tienen mayores calificaciones de clase alta.
ggplot(data = data, aes(x = Class, fill = ParentAnsweringSurvey)) + geom_bar() +
labs(x = "Class", y = "Student Count")
En el grafico podemos observar que los estudiantes cuyos padres responden a la encuesta son los que obtienen buenas calificaciones.
ggplot(data = data, aes(x = Class, fill = StudentAbsenceDays)) + geom_bar() +
labs(x = "Class", y = "Student Count")
En el grafico podemos observar que los estudiantes que se ausentan mas de 7 veces son los que obtienen bajas calificaciones.
Gráfico de cajas
ggplot(data = data, aes(x = gender, y = raisedhands)) + geom_boxplot()
En este grafico de caja podemos notar que la media de las mujeres tiene mayor numero de manos levantadas que la de los hombres.
ggplot(data = data, aes(x = gender, y = VisITedResources)) + geom_boxplot()
En este grafico de caja podemos evidenciar que las chicas visitan más recursos.
ggplot(data = data, aes(x = NationalITy, y = raisedhands)) + geom_boxplot()
En este grafico podemos notar que las nacionalidades de Iraq y Palestina tiene mayor numero de manos levantadas, y la nacionalidad de Libia tiene el menor numero de manos levantadas.
ggplot(data = data, aes(x = StageID, y = raisedhands)) + geom_boxplot()
En este grafico de caja podemos ver que los que estan en escuela media tienen mayor numero de mano alzadas.
ggplot(data = data, aes(x = StageID, y = Discussion)) + geom_boxplot()
En este grafico notamos que hay mayor discuciones en bachillerato y hay menos discusiones en primaria.
ggplot(data = data, aes(x = GradeID, y = raisedhands)) + geom_boxplot()
En este grafico podemos ver que el grado 6 tiene en promedio la mayor cantidad de manos levantadas.
ggplot(data = data, aes(x = SectionID, y = Discussion)) + geom_boxplot()
En este grafico podemos notar que le sección C en promedio tiene el numero de discusión más baja de las secciones.
ggplot(data = data, aes(x = Topic, y = raisedhands)) + geom_boxplot()
En este grafico podemos notar que en el tema de IT este tiene muy pocos aumentos de manos apesar que la mayoría de los estudiantes estudian allí , lo que nos sugiere que estos datos estan sesgados.
ggplot(data = data, aes(x = Semester, y = raisedhands)) + geom_boxplot()
En este grafico podemos observar que en el segundo semestre los estudiantes levantan la mano en promedio mas veces que los de primer semestre.
ggplot(data = data, aes(x = Relation, y = raisedhands)) + geom_boxplot()
En este grafico podemos notar que cuando las madres son las tutoras hay mayor cantidad de manos levantadas que cuando el padre es el tutor.
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = raisedhands)) + geom_boxplot()
En este grafico podemos observar que los que dieron una respuesta de la encuesta “si” tienen mayor numero de manos levantadas que los que respondieron “No”.
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = VisITedResources)) + geom_boxplot()
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = AnnouncementsView)) + geom_boxplot()
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = Discussion)) + geom_boxplot()
ggplot(data = data, aes(x = ParentschoolSatisfaction, y = raisedhands)) + geom_boxplot()
En el primer grafico podemos notar que en la encuesta a los padres los que respondieron “si” tienen mayor numero de recursos visitados que los que respondieron “No”. En el segundo grafico de cajas podemos notar que los que respondieron “No” sus datos son asimetricos mienstras que los que respondieron “Si” sus datos son simetricos. En el tercer grafico podmeos observar que los datos simetricos y los que respondieron “Si” tienen mayor numero de discusiones en promedio. En el cuarto grafico podemos observar que los datos a los que respondieron “Good” son asimetricos y tienen mayor numero de manos levantadas.
ggplot(data = data, aes(x = ParentschoolSatisfaction, y = VisITedResources)) + geom_boxplot()
ggplot(data = data, aes(x = ParentschoolSatisfaction, y = AnnouncementsView)) + geom_boxplot()
ggplot(data = data, aes(x = ParentschoolSatisfaction, y = Discussion)) + geom_boxplot()
ggplot(data = data, aes(x = StudentAbsenceDays, y = raisedhands)) + geom_boxplot()
Según la encuesta de satifaccion realizada por los padres en el primer grafico podemos observar si su respuesta fue “Good” han visitado myor numero de recursos y los datos son asimetricos. En el segundo grafico podemos observar que hay valores que son atipicos en los que respondieron “Bad” y los que respondieron “Good” son valores simetricos. En el tercer grafico vemos que los datos son simetricos y que hay mayor numero de discusiones en los que respondieron “Good”. En el cuarto grafico vemos que los datos son asimetricos y los estudiantes que faltaron menos de 7 veces tienen mayor numero de manos levantadas.
ggplot(data = data, aes(x = StudentAbsenceDays, y = VisITedResources)) + geom_boxplot()
ggplot(data = data, aes(x = StudentAbsenceDays, y = AnnouncementsView)) + geom_boxplot()
ggplot(data = data, aes(x = StudentAbsenceDays, y = Discussion)) + geom_boxplot()
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = raisedhands)) + geom_boxplot()
En el primer grafico vemos que los datos son asimetricos y que los estudiantes que faltaron menos de 7 veces han visitado un mayor numero de recursos. En el segundo grafico que los datos son simetricos para los que faltaron menos de 7 veces y tienen un mayor numero de anuncios vistos. En el tercer grafico podemos observar que los estudiantes que faltaron menor de 7 veces tienen en promedio mayor numero de discusiones y estos datos asimetricos, mienstras para los que faltaron mas 7 veces son simetricos.En el cuarto grafico vemos en el que los padres que respondieron la encuesta los datos asimetricos y los que respondiero con un “si” tienen mayor numero de manos levantadas.
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = VisITedResources)) + geom_boxplot()
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = AnnouncementsView)) + geom_boxplot()
ggplot(data = data, aes(x = ParentAnsweringSurvey, y = Discussion)) + geom_boxplot()
#### En el primer grafico vemos que los datos son asimetricos y que los
que respondieron “si” tienen mayot numero de recursos visitados. En el
segundo grafico vemos que los que respondieron “No” los valores son
atipicos y los que respondieron con “yes” tienen mayor numero de vistas
de anuncios. En el tercer grafico vemos que los datos son simetricos y
los que respondieron”Yes” tienen un mayor numero de discusiones.
Gráficos de caja de clase
ggplot(data = data, aes(x = Class, y = raisedhands)) + geom_boxplot()
En este grafico podemos notar que los datos para las clases H y L presentan valores atipicos, mienstars que para la clase M son simetricos. Ademas vemos que los de la clase H tienen mayor numero de manos levantadas.
ggplot(data = data, aes(x = Class, y = VisITedResources)) + geom_boxplot()
En este grafico podemos notar que los datos para la clase H y L tiene valores atipicos, asimismo la clase H tiene mayor numero de recursos visitados.
ggplot(data = data, aes(x = Class, y = AnnouncementsView)) + geom_boxplot()
En este grafico podmeos notar que los de la clase L tienen valores atipicos y presentan la menor media con respecto al numero de anuncios vistados.
ggplot(data = data, aes(x = Class, y = Discussion)) + geom_boxplot()
En este grafico podemos observar que para la clase H hay mayor numero de discusiones y sus datos son simetricos mientras que la clase L tiene menor numero de discusiones.
Gráfico de dispersión
ggplot(data = data, aes( x = raisedhands, y = VisITedResources)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
ggplot(data = data, aes( x = raisedhands, y = AnnouncementsView)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
ggplot(data = data, aes( x = raisedhands, y = Discussion)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
ggplot(data = data, aes( x = VisITedResources, y = AnnouncementsView)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
ggplot(data = data, aes( x = VisITedResources, y = Discussion)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
ggplot(data = data, aes( x = AnnouncementsView, y = Discussion)) + geom_point() +
geom_smooth(method = "lm")## `geom_smooth()` using formula = 'y ~ x'
En el primer grafico de dispersion podemos observar que comparan las variables manos levantadas en el eje “x” y recursos vistados en el eje “y” donde no tienen ninguna correlacion entre las variables . En el segundo grafico. En el segundo grafico tengo las variables de manos levantadas eje “x” y anuncios vistados en el eje “y” y donde estos no tienen ninguna correlacion entre las variables . En el tercer grafico podemos notar que tenemos manos levantadas en “X” y discusiones en el eje “y” y donde estos no tienen ninguna correlacion entre las variables. En el cuarto grafico tenemos a recursos visitados en el eje “x” y anuncios vistados en el eje “y” y donde estos no tienen ninguna correlacion entre las variables. En el quinto grafico tenemos recursos vistados en el eje “X” y discusiones en el eje “y” y donde estos no tienen ninguna correlacion entre las variables. En el sexto grafico tenemos anuncios visitados en eje “x” y discusiones en el eje “y” y donde estas variables no tienen ninguna correlacion.
Gráfica de densidad
ggplot(data = data, aes(x = raisedhands, color = gender)) + geom_density()
ggplot(data = data, aes(x = raisedhands, color = Topic)) + geom_density()
ggplot(data = data, aes(x = raisedhands, color = SectionID)) + geom_density()
ggplot(data = data, aes(x = raisedhands, color = Semester)) + geom_density()
ggplot(data = data, aes(x = raisedhands, color = Class)) + geom_density()
En el primer grafico de densidad observamos que el genero masculino tiene un mayor numero de densidad cuando el numero de manos levantadas es 12,5 y las mujeres tienen una mayor densidad cuado el numero de manos levantadas es 75. En el segundo grafico podemos observar que la clase de geologia tiene una mayor densidad cunando el numero de manos levantadas es 85. En el tercer grafico podemos notar que la seccion A y B presentan las mayores densidades, pero para A es mayor cuando el numero de manos levantadas es 77 y para B cuando es 13. En el cuarto grafico podemos observar que en los semestre la densidad de los de primer es mayor cuando el numero de manos levantadas es 12,5 y para los de segundo semestre es cuando vale 77. En el quinto informe la mayor densidad la tiene la + clase L cuando el numero de manos levantadas es 11 y esta misma clase tiene la densidad mas pequeña cuando el numero de manos levantadas es 20.
Mapa de mosaico
tile.map <- data %>% group_by(gender, NationalITy) %>%
summarise(Count = n()) %>% arrange(desc(Count))## `summarise()` has grouped output by 'gender'. You can override using the
## `.groups` argument.ggplot(data = tile.map, aes(x = gender, NationalITy, fill = Count)) + geom_tile()
En este grafico podemos observar podemos observar que hay mayor cantidad de hombres que tienen nacionalidad de kuwait.
Modelado predictivo
Dividir datos en conjuntos de tren y validación cruzada.
set.seed(55)
split <- sample.split(data$Class, SplitRatio = 0.75)
train <- subset(data, split == T)
cv <- subset(data, split == F)Árbol de decisiones
tree.model <- rpart(Class ~ ., data = train, method = "class", minbucket = 1)
prp(tree.model) 