Classification Analysis: Decision Trees
2023-10-25
##1.- BIBLIOTECAS
library(rpart)
library(rpart.plot)## Warning: package 'rpart.plot' was built under R version 4.2.3library(caret)## Warning: package 'caret' was built under R version 4.2.3## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.2.3## Loading required package: latticelibrary(DescTools)## Warning: package 'DescTools' was built under R version 4.2.3##
## Attaching package: 'DescTools'## The following objects are masked from 'package:caret':
##
## MAE, RMSElibrary(tidyverse)## Warning: package 'tidyverse' was built under R version 4.2.3## Warning: package 'tibble' was built under R version 4.2.3## Warning: package 'tidyr' was built under R version 4.2.3## Warning: package 'readr' was built under R version 4.2.3## Warning: package 'purrr' was built under R version 4.2.3## Warning: package 'dplyr' was built under R version 4.2.3## Warning: package 'stringr' was built under R version 4.2.3## Warning: package 'forcats' was built under R version 4.2.3## Warning: package 'lubridate' was built under R version 4.2.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ purrr::lift() masks caret::lift()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors#2.- INTRODUCCIÓN
Los árboles de decisión son un método usado en distintas disciplinas como modelo de predicción. Estos son similares a diagramas de flujo, en los que llegamos a puntos en los que se toman decisiones de acuerdo a una regla.
En el campo del aprendizaje automático, hay distintas maneras de obtener árboles de decisión, la que usaremos en esta ocasión es conocida como CART: Classification And Regression Trees. Esta es una técnica de aprendizaje supervisado. Tenemos una variable objetivo (dependiente) y nuestra meta es obtener una función que nos permita predecir, a partir de variables predictoras (independientes), el valor de la variable objetivo para casos desconocidos.
Como el nombre indica, CART es una técnica con la que se pueden obtener árboles de clasificación y de regresión. Usamos clasificación cuando nuestra variable objetivo es discreta, mientras que usamos regresión cuando es continua. Nosotros tendremos una variable discreta, así que haremos clasificación.
La implementación particular de CART que usaremos es conocida como Recursive Partitioning and Regression Trees o RPART. De allí el nombre del paquete que utilizaremos en nuestro ejemplo.
De manera general, lo que hace este algoritmo es encontrar la variable independiente que mejor separa nuestros datos en grupos, que corresponden con las categorías de la variable objetivo. Esta mejor separación es expresada con una regla. A cada regla corresponde un nodo.
Por ejemplo, supongamos que nuestra variable objetivo tiene dos niveles, deudor y no deudor. Encontramos que la variable que mejor separa nuestros datos es ingreso mensual, y la regla resultante es que ingreso mensual > X pesos. Esto quiere decir que los datos para los que esta regla es verdadera, tienen más probabilidad de pertenecer a un grupo, que al otro. En este ejemplo, digamos que si la regla es verdadera, un caso tiene más probabilidad de formar parte del grupo no deudor.
Una vez hecho esto, los datos son separados (particionados) en grupos a partir de la regla obtenida. Después, para cada uno de los grupos resultantes, se repite el mismo proceso. Se busca la variable que mejor separa los datos en grupos, se obtiene una regla, y se separan los datos. Hacemos esto de manera recursiva hasta que nos es imposible obtener una mejor separación. Cuando esto ocurre, el algoritmo se detiene. Cuando un grupo no puede ser partido mejor, se le llama nodo terminal u hoja.
Una característica muy importante en este algoritmo es que una vez que alguna variable ha sido elegida para separar los datos, ya no es usada de nuevo en los grupos que ha creado. Se buscan variables distintas que mejoren la separación de los datos.
Además, supongamos después de una partición que hemos creado dos grupos, A y B. Es posible que para el grupo A, la variable que mejor separa estos datos sea diferente a la que mejor separa los datos en el grupo B. Una vez que los grupos se han separado, al algoritmo “no ve” lo que ocurre entre grupos, estos son independientes entre sí y las reglas que aplican para ellos no afectan en nada a los demás.
El resultado de todo el proceso anterior es una serie de bifurcaciones que tiene la apariencia de un árbol que va creciendo ramas, de allí el nombre del procedimiento (aunque a mí en realidad me parece más parecido a la raíz del árbol que a las ramas).
Las principales ventajas de este método son su interpretabilidad, pues nos da un conjunto de reglas a partir de las cuales se pueden tomar decisiones. Este es un algoritmo que no es demandante en poder de cómputo comparado con procedimientos más sofisticados y, a pesar de ello, que tiende a dar buenos resultados de predicción para muchos tipos de datos.
Sus principales desventajas son que este en tipo de clasificación “débil”, pues sus resultados pueden variar mucho dependiendo de la muestra de datos usados para entrenar un modelo. Además es fácil sobre ajustar los modelos, esto es, hacerlos excelentes para clasificar datos que conocemos, pero deficientes para datos conocidos.
# Datos
download.file("https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data", "wine.data")
# Información
download.file("https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.names", "wine.names")readLines("wine.data", n = 10)## [1] "1,14.23,1.71,2.43,15.6,127,2.8,3.06,.28,2.29,5.64,1.04,3.92,1065"
## [2] "1,13.2,1.78,2.14,11.2,100,2.65,2.76,.26,1.28,4.38,1.05,3.4,1050"
## [3] "1,13.16,2.36,2.67,18.6,101,2.8,3.24,.3,2.81,5.68,1.03,3.17,1185"
## [4] "1,14.37,1.95,2.5,16.8,113,3.85,3.49,.24,2.18,7.8,.86,3.45,1480"
## [5] "1,13.24,2.59,2.87,21,118,2.8,2.69,.39,1.82,4.32,1.04,2.93,735"
## [6] "1,14.2,1.76,2.45,15.2,112,3.27,3.39,.34,1.97,6.75,1.05,2.85,1450"
## [7] "1,14.39,1.87,2.45,14.6,96,2.5,2.52,.3,1.98,5.25,1.02,3.58,1290"
## [8] "1,14.06,2.15,2.61,17.6,121,2.6,2.51,.31,1.25,5.05,1.06,3.58,1295"
## [9] "1,14.83,1.64,2.17,14,97,2.8,2.98,.29,1.98,5.2,1.08,2.85,1045"
## [10] "1,13.86,1.35,2.27,16,98,2.98,3.15,.22,1.85,7.22,1.01,3.55,1045"El archivo de datos parece ser una tabla de datos rectangular, con columnas separadas por comas. Entonces leer este archivo es fácil. El único inconveniente que tenemos es que nos faltan los nombres de cada columna.
Podemos usar read_table() para leer este archivo. Esta función está diseñada para leer tablas de datos, es decir, con estructura rectangular (renglones y columnas).
Para asegurarnos que los datos serán leídos de manera correcta, especificamos que el separador de las columnas es una coma (sep = “,”) y que no tenemos nombres de columna en nuestro archivo (header = FALSE). Asignamos el resultado al objeto vino.
vino <- read.table("wine.data", sep = ",", header = FALSE) vino## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14
## 1 1 14.23 1.71 2.43 15.6 127 2.80 3.06 0.28 2.29 5.640000 1.040 3.92 1065
## 2 1 13.20 1.78 2.14 11.2 100 2.65 2.76 0.26 1.28 4.380000 1.050 3.40 1050
## 3 1 13.16 2.36 2.67 18.6 101 2.80 3.24 0.30 2.81 5.680000 1.030 3.17 1185
## 4 1 14.37 1.95 2.50 16.8 113 3.85 3.49 0.24 2.18 7.800000 0.860 3.45 1480
## 5 1 13.24 2.59 2.87 21.0 118 2.80 2.69 0.39 1.82 4.320000 1.040 2.93 735
## 6 1 14.20 1.76 2.45 15.2 112 3.27 3.39 0.34 1.97 6.750000 1.050 2.85 1450
## 7 1 14.39 1.87 2.45 14.6 96 2.50 2.52 0.30 1.98 5.250000 1.020 3.58 1290
## 8 1 14.06 2.15 2.61 17.6 121 2.60 2.51 0.31 1.25 5.050000 1.060 3.58 1295
## 9 1 14.83 1.64 2.17 14.0 97 2.80 2.98 0.29 1.98 5.200000 1.080 2.85 1045
## 10 1 13.86 1.35 2.27 16.0 98 2.98 3.15 0.22 1.85 7.220000 1.010 3.55 1045
## 11 1 14.10 2.16 2.30 18.0 105 2.95 3.32 0.22 2.38 5.750000 1.250 3.17 1510
## 12 1 14.12 1.48 2.32 16.8 95 2.20 2.43 0.26 1.57 5.000000 1.170 2.82 1280
## 13 1 13.75 1.73 2.41 16.0 89 2.60 2.76 0.29 1.81 5.600000 1.150 2.90 1320
## 14 1 14.75 1.73 2.39 11.4 91 3.10 3.69 0.43 2.81 5.400000 1.250 2.73 1150
## 15 1 14.38 1.87 2.38 12.0 102 3.30 3.64 0.29 2.96 7.500000 1.200 3.00 1547
## 16 1 13.63 1.81 2.70 17.2 112 2.85 2.91 0.30 1.46 7.300000 1.280 2.88 1310
## 17 1 14.30 1.92 2.72 20.0 120 2.80 3.14 0.33 1.97 6.200000 1.070 2.65 1280
## 18 1 13.83 1.57 2.62 20.0 115 2.95 3.40 0.40 1.72 6.600000 1.130 2.57 1130
## 19 1 14.19 1.59 2.48 16.5 108 3.30 3.93 0.32 1.86 8.700000 1.230 2.82 1680
## 20 1 13.64 3.10 2.56 15.2 116 2.70 3.03 0.17 1.66 5.100000 0.960 3.36 845
## 21 1 14.06 1.63 2.28 16.0 126 3.00 3.17 0.24 2.10 5.650000 1.090 3.71 780
## 22 1 12.93 3.80 2.65 18.6 102 2.41 2.41 0.25 1.98 4.500000 1.030 3.52 770
## 23 1 13.71 1.86 2.36 16.6 101 2.61 2.88 0.27 1.69 3.800000 1.110 4.00 1035
## 24 1 12.85 1.60 2.52 17.8 95 2.48 2.37 0.26 1.46 3.930000 1.090 3.63 1015
## 25 1 13.50 1.81 2.61 20.0 96 2.53 2.61 0.28 1.66 3.520000 1.120 3.82 845
## 26 1 13.05 2.05 3.22 25.0 124 2.63 2.68 0.47 1.92 3.580000 1.130 3.20 830
## 27 1 13.39 1.77 2.62 16.1 93 2.85 2.94 0.34 1.45 4.800000 0.920 3.22 1195
## 28 1 13.30 1.72 2.14 17.0 94 2.40 2.19 0.27 1.35 3.950000 1.020 2.77 1285
## 29 1 13.87 1.90 2.80 19.4 107 2.95 2.97 0.37 1.76 4.500000 1.250 3.40 915
## 30 1 14.02 1.68 2.21 16.0 96 2.65 2.33 0.26 1.98 4.700000 1.040 3.59 1035
## 31 1 13.73 1.50 2.70 22.5 101 3.00 3.25 0.29 2.38 5.700000 1.190 2.71 1285
## 32 1 13.58 1.66 2.36 19.1 106 2.86 3.19 0.22 1.95 6.900000 1.090 2.88 1515
## 33 1 13.68 1.83 2.36 17.2 104 2.42 2.69 0.42 1.97 3.840000 1.230 2.87 990
## 34 1 13.76 1.53 2.70 19.5 132 2.95 2.74 0.50 1.35 5.400000 1.250 3.00 1235
## 35 1 13.51 1.80 2.65 19.0 110 2.35 2.53 0.29 1.54 4.200000 1.100 2.87 1095
## 36 1 13.48 1.81 2.41 20.5 100 2.70 2.98 0.26 1.86 5.100000 1.040 3.47 920
## 37 1 13.28 1.64 2.84 15.5 110 2.60 2.68 0.34 1.36 4.600000 1.090 2.78 880
## 38 1 13.05 1.65 2.55 18.0 98 2.45 2.43 0.29 1.44 4.250000 1.120 2.51 1105
## 39 1 13.07 1.50 2.10 15.5 98 2.40 2.64 0.28 1.37 3.700000 1.180 2.69 1020
## 40 1 14.22 3.99 2.51 13.2 128 3.00 3.04 0.20 2.08 5.100000 0.890 3.53 760
## 41 1 13.56 1.71 2.31 16.2 117 3.15 3.29 0.34 2.34 6.130000 0.950 3.38 795
## 42 1 13.41 3.84 2.12 18.8 90 2.45 2.68 0.27 1.48 4.280000 0.910 3.00 1035
## 43 1 13.88 1.89 2.59 15.0 101 3.25 3.56 0.17 1.70 5.430000 0.880 3.56 1095
## 44 1 13.24 3.98 2.29 17.5 103 2.64 2.63 0.32 1.66 4.360000 0.820 3.00 680
## 45 1 13.05 1.77 2.10 17.0 107 3.00 3.00 0.28 2.03 5.040000 0.880 3.35 885
## 46 1 14.21 4.04 2.44 18.9 111 2.85 2.65 0.30 1.25 5.240000 0.870 3.33 1080
## 47 1 14.38 3.59 2.28 16.0 102 3.25 3.17 0.27 2.19 4.900000 1.040 3.44 1065
## 48 1 13.90 1.68 2.12 16.0 101 3.10 3.39 0.21 2.14 6.100000 0.910 3.33 985
## 49 1 14.10 2.02 2.40 18.8 103 2.75 2.92 0.32 2.38 6.200000 1.070 2.75 1060
## 50 1 13.94 1.73 2.27 17.4 108 2.88 3.54 0.32 2.08 8.900000 1.120 3.10 1260
## 51 1 13.05 1.73 2.04 12.4 92 2.72 3.27 0.17 2.91 7.200000 1.120 2.91 1150
## 52 1 13.83 1.65 2.60 17.2 94 2.45 2.99 0.22 2.29 5.600000 1.240 3.37 1265
## 53 1 13.82 1.75 2.42 14.0 111 3.88 3.74 0.32 1.87 7.050000 1.010 3.26 1190
## 54 1 13.77 1.90 2.68 17.1 115 3.00 2.79 0.39 1.68 6.300000 1.130 2.93 1375
## 55 1 13.74 1.67 2.25 16.4 118 2.60 2.90 0.21 1.62 5.850000 0.920 3.20 1060
## 56 1 13.56 1.73 2.46 20.5 116 2.96 2.78 0.20 2.45 6.250000 0.980 3.03 1120
## 57 1 14.22 1.70 2.30 16.3 118 3.20 3.00 0.26 2.03 6.380000 0.940 3.31 970
## 58 1 13.29 1.97 2.68 16.8 102 3.00 3.23 0.31 1.66 6.000000 1.070 2.84 1270
## 59 1 13.72 1.43 2.50 16.7 108 3.40 3.67 0.19 2.04 6.800000 0.890 2.87 1285
## 60 2 12.37 0.94 1.36 10.6 88 1.98 0.57 0.28 0.42 1.950000 1.050 1.82 520
## 61 2 12.33 1.10 2.28 16.0 101 2.05 1.09 0.63 0.41 3.270000 1.250 1.67 680
## 62 2 12.64 1.36 2.02 16.8 100 2.02 1.41 0.53 0.62 5.750000 0.980 1.59 450
## 63 2 13.67 1.25 1.92 18.0 94 2.10 1.79 0.32 0.73 3.800000 1.230 2.46 630
## 64 2 12.37 1.13 2.16 19.0 87 3.50 3.10 0.19 1.87 4.450000 1.220 2.87 420
## 65 2 12.17 1.45 2.53 19.0 104 1.89 1.75 0.45 1.03 2.950000 1.450 2.23 355
## 66 2 12.37 1.21 2.56 18.1 98 2.42 2.65 0.37 2.08 4.600000 1.190 2.30 678
## 67 2 13.11 1.01 1.70 15.0 78 2.98 3.18 0.26 2.28 5.300000 1.120 3.18 502
## 68 2 12.37 1.17 1.92 19.6 78 2.11 2.00 0.27 1.04 4.680000 1.120 3.48 510
## 69 2 13.34 0.94 2.36 17.0 110 2.53 1.30 0.55 0.42 3.170000 1.020 1.93 750
## 70 2 12.21 1.19 1.75 16.8 151 1.85 1.28 0.14 2.50 2.850000 1.280 3.07 718
## 71 2 12.29 1.61 2.21 20.4 103 1.10 1.02 0.37 1.46 3.050000 0.906 1.82 870
## 72 2 13.86 1.51 2.67 25.0 86 2.95 2.86 0.21 1.87 3.380000 1.360 3.16 410
## 73 2 13.49 1.66 2.24 24.0 87 1.88 1.84 0.27 1.03 3.740000 0.980 2.78 472
## 74 2 12.99 1.67 2.60 30.0 139 3.30 2.89 0.21 1.96 3.350000 1.310 3.50 985
## 75 2 11.96 1.09 2.30 21.0 101 3.38 2.14 0.13 1.65 3.210000 0.990 3.13 886
## 76 2 11.66 1.88 1.92 16.0 97 1.61 1.57 0.34 1.15 3.800000 1.230 2.14 428
## 77 2 13.03 0.90 1.71 16.0 86 1.95 2.03 0.24 1.46 4.600000 1.190 2.48 392
## 78 2 11.84 2.89 2.23 18.0 112 1.72 1.32 0.43 0.95 2.650000 0.960 2.52 500
## 79 2 12.33 0.99 1.95 14.8 136 1.90 1.85 0.35 2.76 3.400000 1.060 2.31 750
## 80 2 12.70 3.87 2.40 23.0 101 2.83 2.55 0.43 1.95 2.570000 1.190 3.13 463
## 81 2 12.00 0.92 2.00 19.0 86 2.42 2.26 0.30 1.43 2.500000 1.380 3.12 278
## 82 2 12.72 1.81 2.20 18.8 86 2.20 2.53 0.26 1.77 3.900000 1.160 3.14 714
## 83 2 12.08 1.13 2.51 24.0 78 2.00 1.58 0.40 1.40 2.200000 1.310 2.72 630
## 84 2 13.05 3.86 2.32 22.5 85 1.65 1.59 0.61 1.62 4.800000 0.840 2.01 515
## 85 2 11.84 0.89 2.58 18.0 94 2.20 2.21 0.22 2.35 3.050000 0.790 3.08 520
## 86 2 12.67 0.98 2.24 18.0 99 2.20 1.94 0.30 1.46 2.620000 1.230 3.16 450
## 87 2 12.16 1.61 2.31 22.8 90 1.78 1.69 0.43 1.56 2.450000 1.330 2.26 495
## 88 2 11.65 1.67 2.62 26.0 88 1.92 1.61 0.40 1.34 2.600000 1.360 3.21 562
## 89 2 11.64 2.06 2.46 21.6 84 1.95 1.69 0.48 1.35 2.800000 1.000 2.75 680
## 90 2 12.08 1.33 2.30 23.6 70 2.20 1.59 0.42 1.38 1.740000 1.070 3.21 625
## 91 2 12.08 1.83 2.32 18.5 81 1.60 1.50 0.52 1.64 2.400000 1.080 2.27 480
## 92 2 12.00 1.51 2.42 22.0 86 1.45 1.25 0.50 1.63 3.600000 1.050 2.65 450
## 93 2 12.69 1.53 2.26 20.7 80 1.38 1.46 0.58 1.62 3.050000 0.960 2.06 495
## 94 2 12.29 2.83 2.22 18.0 88 2.45 2.25 0.25 1.99 2.150000 1.150 3.30 290
## 95 2 11.62 1.99 2.28 18.0 98 3.02 2.26 0.17 1.35 3.250000 1.160 2.96 345
## 96 2 12.47 1.52 2.20 19.0 162 2.50 2.27 0.32 3.28 2.600000 1.160 2.63 937
## 97 2 11.81 2.12 2.74 21.5 134 1.60 0.99 0.14 1.56 2.500000 0.950 2.26 625
## 98 2 12.29 1.41 1.98 16.0 85 2.55 2.50 0.29 1.77 2.900000 1.230 2.74 428
## 99 2 12.37 1.07 2.10 18.5 88 3.52 3.75 0.24 1.95 4.500000 1.040 2.77 660
## 100 2 12.29 3.17 2.21 18.0 88 2.85 2.99 0.45 2.81 2.300000 1.420 2.83 406
## 101 2 12.08 2.08 1.70 17.5 97 2.23 2.17 0.26 1.40 3.300000 1.270 2.96 710
## 102 2 12.60 1.34 1.90 18.5 88 1.45 1.36 0.29 1.35 2.450000 1.040 2.77 562
## 103 2 12.34 2.45 2.46 21.0 98 2.56 2.11 0.34 1.31 2.800000 0.800 3.38 438
## 104 2 11.82 1.72 1.88 19.5 86 2.50 1.64 0.37 1.42 2.060000 0.940 2.44 415
## 105 2 12.51 1.73 1.98 20.5 85 2.20 1.92 0.32 1.48 2.940000 1.040 3.57 672
## 106 2 12.42 2.55 2.27 22.0 90 1.68 1.84 0.66 1.42 2.700000 0.860 3.30 315
## 107 2 12.25 1.73 2.12 19.0 80 1.65 2.03 0.37 1.63 3.400000 1.000 3.17 510
## 108 2 12.72 1.75 2.28 22.5 84 1.38 1.76 0.48 1.63 3.300000 0.880 2.42 488
## 109 2 12.22 1.29 1.94 19.0 92 2.36 2.04 0.39 2.08 2.700000 0.860 3.02 312
## 110 2 11.61 1.35 2.70 20.0 94 2.74 2.92 0.29 2.49 2.650000 0.960 3.26 680
## 111 2 11.46 3.74 1.82 19.5 107 3.18 2.58 0.24 3.58 2.900000 0.750 2.81 562
## 112 2 12.52 2.43 2.17 21.0 88 2.55 2.27 0.26 1.22 2.000000 0.900 2.78 325
## 113 2 11.76 2.68 2.92 20.0 103 1.75 2.03 0.60 1.05 3.800000 1.230 2.50 607
## 114 2 11.41 0.74 2.50 21.0 88 2.48 2.01 0.42 1.44 3.080000 1.100 2.31 434
## 115 2 12.08 1.39 2.50 22.5 84 2.56 2.29 0.43 1.04 2.900000 0.930 3.19 385
## 116 2 11.03 1.51 2.20 21.5 85 2.46 2.17 0.52 2.01 1.900000 1.710 2.87 407
## 117 2 11.82 1.47 1.99 20.8 86 1.98 1.60 0.30 1.53 1.950000 0.950 3.33 495
## 118 2 12.42 1.61 2.19 22.5 108 2.00 2.09 0.34 1.61 2.060000 1.060 2.96 345
## 119 2 12.77 3.43 1.98 16.0 80 1.63 1.25 0.43 0.83 3.400000 0.700 2.12 372
## 120 2 12.00 3.43 2.00 19.0 87 2.00 1.64 0.37 1.87 1.280000 0.930 3.05 564
## 121 2 11.45 2.40 2.42 20.0 96 2.90 2.79 0.32 1.83 3.250000 0.800 3.39 625
## 122 2 11.56 2.05 3.23 28.5 119 3.18 5.08 0.47 1.87 6.000000 0.930 3.69 465
## 123 2 12.42 4.43 2.73 26.5 102 2.20 2.13 0.43 1.71 2.080000 0.920 3.12 365
## 124 2 13.05 5.80 2.13 21.5 86 2.62 2.65 0.30 2.01 2.600000 0.730 3.10 380
## 125 2 11.87 4.31 2.39 21.0 82 2.86 3.03 0.21 2.91 2.800000 0.750 3.64 380
## 126 2 12.07 2.16 2.17 21.0 85 2.60 2.65 0.37 1.35 2.760000 0.860 3.28 378
## 127 2 12.43 1.53 2.29 21.5 86 2.74 3.15 0.39 1.77 3.940000 0.690 2.84 352
## 128 2 11.79 2.13 2.78 28.5 92 2.13 2.24 0.58 1.76 3.000000 0.970 2.44 466
## 129 2 12.37 1.63 2.30 24.5 88 2.22 2.45 0.40 1.90 2.120000 0.890 2.78 342
## 130 2 12.04 4.30 2.38 22.0 80 2.10 1.75 0.42 1.35 2.600000 0.790 2.57 580
## 131 3 12.86 1.35 2.32 18.0 122 1.51 1.25 0.21 0.94 4.100000 0.760 1.29 630
## 132 3 12.88 2.99 2.40 20.0 104 1.30 1.22 0.24 0.83 5.400000 0.740 1.42 530
## 133 3 12.81 2.31 2.40 24.0 98 1.15 1.09 0.27 0.83 5.700000 0.660 1.36 560
## 134 3 12.70 3.55 2.36 21.5 106 1.70 1.20 0.17 0.84 5.000000 0.780 1.29 600
## 135 3 12.51 1.24 2.25 17.5 85 2.00 0.58 0.60 1.25 5.450000 0.750 1.51 650
## 136 3 12.60 2.46 2.20 18.5 94 1.62 0.66 0.63 0.94 7.100000 0.730 1.58 695
## 137 3 12.25 4.72 2.54 21.0 89 1.38 0.47 0.53 0.80 3.850000 0.750 1.27 720
## 138 3 12.53 5.51 2.64 25.0 96 1.79 0.60 0.63 1.10 5.000000 0.820 1.69 515
## 139 3 13.49 3.59 2.19 19.5 88 1.62 0.48 0.58 0.88 5.700000 0.810 1.82 580
## 140 3 12.84 2.96 2.61 24.0 101 2.32 0.60 0.53 0.81 4.920000 0.890 2.15 590
## 141 3 12.93 2.81 2.70 21.0 96 1.54 0.50 0.53 0.75 4.600000 0.770 2.31 600
## 142 3 13.36 2.56 2.35 20.0 89 1.40 0.50 0.37 0.64 5.600000 0.700 2.47 780
## 143 3 13.52 3.17 2.72 23.5 97 1.55 0.52 0.50 0.55 4.350000 0.890 2.06 520
## 144 3 13.62 4.95 2.35 20.0 92 2.00 0.80 0.47 1.02 4.400000 0.910 2.05 550
## 145 3 12.25 3.88 2.20 18.5 112 1.38 0.78 0.29 1.14 8.210000 0.650 2.00 855
## 146 3 13.16 3.57 2.15 21.0 102 1.50 0.55 0.43 1.30 4.000000 0.600 1.68 830
## 147 3 13.88 5.04 2.23 20.0 80 0.98 0.34 0.40 0.68 4.900000 0.580 1.33 415
## 148 3 12.87 4.61 2.48 21.5 86 1.70 0.65 0.47 0.86 7.650000 0.540 1.86 625
## 149 3 13.32 3.24 2.38 21.5 92 1.93 0.76 0.45 1.25 8.420000 0.550 1.62 650
## 150 3 13.08 3.90 2.36 21.5 113 1.41 1.39 0.34 1.14 9.400000 0.570 1.33 550
## 151 3 13.50 3.12 2.62 24.0 123 1.40 1.57 0.22 1.25 8.600000 0.590 1.30 500
## 152 3 12.79 2.67 2.48 22.0 112 1.48 1.36 0.24 1.26 10.800000 0.480 1.47 480
## 153 3 13.11 1.90 2.75 25.5 116 2.20 1.28 0.26 1.56 7.100000 0.610 1.33 425
## 154 3 13.23 3.30 2.28 18.5 98 1.80 0.83 0.61 1.87 10.520000 0.560 1.51 675
## 155 3 12.58 1.29 2.10 20.0 103 1.48 0.58 0.53 1.40 7.600000 0.580 1.55 640
## 156 3 13.17 5.19 2.32 22.0 93 1.74 0.63 0.61 1.55 7.900000 0.600 1.48 725
## 157 3 13.84 4.12 2.38 19.5 89 1.80 0.83 0.48 1.56 9.010000 0.570 1.64 480
## 158 3 12.45 3.03 2.64 27.0 97 1.90 0.58 0.63 1.14 7.500000 0.670 1.73 880
## 159 3 14.34 1.68 2.70 25.0 98 2.80 1.31 0.53 2.70 13.000000 0.570 1.96 660
## 160 3 13.48 1.67 2.64 22.5 89 2.60 1.10 0.52 2.29 11.750000 0.570 1.78 620
## 161 3 12.36 3.83 2.38 21.0 88 2.30 0.92 0.50 1.04 7.650000 0.560 1.58 520
## 162 3 13.69 3.26 2.54 20.0 107 1.83 0.56 0.50 0.80 5.880000 0.960 1.82 680
## 163 3 12.85 3.27 2.58 22.0 106 1.65 0.60 0.60 0.96 5.580000 0.870 2.11 570
## 164 3 12.96 3.45 2.35 18.5 106 1.39 0.70 0.40 0.94 5.280000 0.680 1.75 675
## 165 3 13.78 2.76 2.30 22.0 90 1.35 0.68 0.41 1.03 9.580000 0.700 1.68 615
## 166 3 13.73 4.36 2.26 22.5 88 1.28 0.47 0.52 1.15 6.620000 0.780 1.75 520
## 167 3 13.45 3.70 2.60 23.0 111 1.70 0.92 0.43 1.46 10.680000 0.850 1.56 695
## 168 3 12.82 3.37 2.30 19.5 88 1.48 0.66 0.40 0.97 10.260000 0.720 1.75 685
## 169 3 13.58 2.58 2.69 24.5 105 1.55 0.84 0.39 1.54 8.660000 0.740 1.80 750
## 170 3 13.40 4.60 2.86 25.0 112 1.98 0.96 0.27 1.11 8.500000 0.670 1.92 630
## 171 3 12.20 3.03 2.32 19.0 96 1.25 0.49 0.40 0.73 5.500000 0.660 1.83 510
## 172 3 12.77 2.39 2.28 19.5 86 1.39 0.51 0.48 0.64 9.899999 0.570 1.63 470
## 173 3 14.16 2.51 2.48 20.0 91 1.68 0.70 0.44 1.24 9.700000 0.620 1.71 660
## 174 3 13.71 5.65 2.45 20.5 95 1.68 0.61 0.52 1.06 7.700000 0.640 1.74 740
## 175 3 13.40 3.91 2.48 23.0 102 1.80 0.75 0.43 1.41 7.300000 0.700 1.56 750
## 176 3 13.27 4.28 2.26 20.0 120 1.59 0.69 0.43 1.35 10.200000 0.590 1.56 835
## 177 3 13.17 2.59 2.37 20.0 120 1.65 0.68 0.53 1.46 9.300000 0.600 1.62 840
## 178 3 14.13 4.10 2.74 24.5 96 2.05 0.76 0.56 1.35 9.200000 0.610 1.60 560Tenemos 178 renglones y 14 columnas. Aunque aún no sabeos qué contienen.
Veamos si el archivo wine.names tiene respuestas
str(vino)## 'data.frame': 178 obs. of 14 variables:
## $ V1 : int 1 1 1 1 1 1 1 1 1 1 ...
## $ V2 : num 14.2 13.2 13.2 14.4 13.2 ...
## $ V3 : num 1.71 1.78 2.36 1.95 2.59 1.76 1.87 2.15 1.64 1.35 ...
## $ V4 : num 2.43 2.14 2.67 2.5 2.87 2.45 2.45 2.61 2.17 2.27 ...
## $ V5 : num 15.6 11.2 18.6 16.8 21 15.2 14.6 17.6 14 16 ...
## $ V6 : int 127 100 101 113 118 112 96 121 97 98 ...
## $ V7 : num 2.8 2.65 2.8 3.85 2.8 3.27 2.5 2.6 2.8 2.98 ...
## $ V8 : num 3.06 2.76 3.24 3.49 2.69 3.39 2.52 2.51 2.98 3.15 ...
## $ V9 : num 0.28 0.26 0.3 0.24 0.39 0.34 0.3 0.31 0.29 0.22 ...
## $ V10: num 2.29 1.28 2.81 2.18 1.82 1.97 1.98 1.25 1.98 1.85 ...
## $ V11: num 5.64 4.38 5.68 7.8 4.32 6.75 5.25 5.05 5.2 7.22 ...
## $ V12: num 1.04 1.05 1.03 0.86 1.04 1.05 1.02 1.06 1.08 1.01 ...
## $ V13: num 3.92 3.4 3.17 3.45 2.93 2.85 3.58 3.58 2.85 3.55 ...
## $ V14: int 1065 1050 1185 1480 735 1450 1290 1295 1045 1045 ...readLines("wine.names", n=10)## [1] "1. Title of Database: Wine recognition data"
## [2] "\tUpdated Sept 21, 1998 by C.Blake : Added attribute information"
## [3] ""
## [4] "2. Sources:"
## [5] " (a) Forina, M. et al, PARVUS - An Extendible Package for Data"
## [6] " Exploration, Classification and Correlation. Institute of Pharmaceutical"
## [7] " and Food Analysis and Technologies, Via Brigata Salerno, "
## [8] " 16147 Genoa, Italy."
## [9] ""
## [10] " (b) Stefan Aeberhard, email: stefan@coral.cs.jcu.edu.au"file.copy(from="wine.names", to = "wine_names.txt")## [1] FALSEfile.show("wine_names.txt")A partir de lo que este documento explica, descubrimos que nuestros datos corresponden a trece características químicas de tres tipos de vinos. Esto quiere decir que una de las columnas de nuestros datos indica el tipo de vino y las otras trece son sus características.
Aunque es probable que la primera columna de nuestros datos sea la variable con el tipo de vino, usamos summary() para asegurarnos.
summary(vino)## V1 V2 V3 V4
## Min. :1.000 Min. :11.03 Min. :0.740 Min. :1.360
## 1st Qu.:1.000 1st Qu.:12.36 1st Qu.:1.603 1st Qu.:2.210
## Median :2.000 Median :13.05 Median :1.865 Median :2.360
## Mean :1.938 Mean :13.00 Mean :2.336 Mean :2.367
## 3rd Qu.:3.000 3rd Qu.:13.68 3rd Qu.:3.083 3rd Qu.:2.558
## Max. :3.000 Max. :14.83 Max. :5.800 Max. :3.230
## V5 V6 V7 V8
## Min. :10.60 Min. : 70.00 Min. :0.980 Min. :0.340
## 1st Qu.:17.20 1st Qu.: 88.00 1st Qu.:1.742 1st Qu.:1.205
## Median :19.50 Median : 98.00 Median :2.355 Median :2.135
## Mean :19.49 Mean : 99.74 Mean :2.295 Mean :2.029
## 3rd Qu.:21.50 3rd Qu.:107.00 3rd Qu.:2.800 3rd Qu.:2.875
## Max. :30.00 Max. :162.00 Max. :3.880 Max. :5.080
## V9 V10 V11 V12
## Min. :0.1300 Min. :0.410 Min. : 1.280 Min. :0.4800
## 1st Qu.:0.2700 1st Qu.:1.250 1st Qu.: 3.220 1st Qu.:0.7825
## Median :0.3400 Median :1.555 Median : 4.690 Median :0.9650
## Mean :0.3619 Mean :1.591 Mean : 5.058 Mean :0.9574
## 3rd Qu.:0.4375 3rd Qu.:1.950 3rd Qu.: 6.200 3rd Qu.:1.1200
## Max. :0.6600 Max. :3.580 Max. :13.000 Max. :1.7100
## V13 V14
## Min. :1.270 Min. : 278.0
## 1st Qu.:1.938 1st Qu.: 500.5
## Median :2.780 Median : 673.5
## Mean :2.612 Mean : 746.9
## 3rd Qu.:3.170 3rd Qu.: 985.0
## Max. :4.000 Max. :1680.0Como la V1 es la única con un valor mínimo de 1 y máximo de 3, es seguro que corresponder al tipo ‘vino’, así que podemos renombrarla para facilitar el análisis.
nombres <-
readLines("wine_names.txt")[58:70] %>%
gsub("[[:cntrl:]].*\\)", "", .) %>%
trimws() %>%
tolower() %>%
gsub(" |/", "_", .) %>%
# Agregamos el nombre "tipo", para nuestra primera columna con los tipos de vino
c("tipo", .)names(vino) <- nombresCambiamos el tipo de dato de la columna de a tipo factor
vino <- vino %>%
mutate_at("tipo", factor)Ahora ya estaría todo ok.
str(vino)## 'data.frame': 178 obs. of 14 variables:
## $ tipo : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
## $ alcohol : num 14.2 13.2 13.2 14.4 13.2 ...
## $ malic_acid : num 1.71 1.78 2.36 1.95 2.59 1.76 1.87 2.15 1.64 1.35 ...
## $ ash : num 2.43 2.14 2.67 2.5 2.87 2.45 2.45 2.61 2.17 2.27 ...
## $ alcalinity_of_ash : num 15.6 11.2 18.6 16.8 21 15.2 14.6 17.6 14 16 ...
## $ magnesium : int 127 100 101 113 118 112 96 121 97 98 ...
## $ total_phenols : num 2.8 2.65 2.8 3.85 2.8 3.27 2.5 2.6 2.8 2.98 ...
## $ flavanoids : num 3.06 2.76 3.24 3.49 2.69 3.39 2.52 2.51 2.98 3.15 ...
## $ nonflavanoid_phenols : num 0.28 0.26 0.3 0.24 0.39 0.34 0.3 0.31 0.29 0.22 ...
## $ proanthocyanins : num 2.29 1.28 2.81 2.18 1.82 1.97 1.98 1.25 1.98 1.85 ...
## $ color_intensity : num 5.64 4.38 5.68 7.8 4.32 6.75 5.25 5.05 5.2 7.22 ...
## $ hue : num 1.04 1.05 1.03 0.86 1.04 1.05 1.02 1.06 1.08 1.01 ...
## $ od280_od315_of_diluted_wines: num 3.92 3.4 3.17 3.45 2.93 2.85 3.58 3.58 2.85 3.55 ...
## $ proline : int 1065 1050 1185 1480 735 1450 1290 1295 1045 1045 ...library(skimr)## Warning: package 'skimr' was built under R version 4.2.3skim(vino)| Name | vino |
| Number of rows | 178 |
| Number of columns | 14 |
| _______________________ | |
| Column type frequency: | |
| factor | 1 |
| numeric | 13 |
| ________________________ | |
| Group variables | None |
Variable type: factor
| skim_variable | n_missing | complete_rate | ordered | n_unique | top_counts |
|---|---|---|---|---|---|
| tipo | 0 | 1 | FALSE | 3 | 2: 71, 1: 59, 3: 48 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| alcohol | 0 | 1 | 13.00 | 0.81 | 11.03 | 12.36 | 13.05 | 13.68 | 14.83 | ▂▇▇▇▃ |
| malic_acid | 0 | 1 | 2.34 | 1.12 | 0.74 | 1.60 | 1.87 | 3.08 | 5.80 | ▇▅▂▂▁ |
| ash | 0 | 1 | 2.37 | 0.27 | 1.36 | 2.21 | 2.36 | 2.56 | 3.23 | ▁▂▇▅▁ |
| alcalinity_of_ash | 0 | 1 | 19.49 | 3.34 | 10.60 | 17.20 | 19.50 | 21.50 | 30.00 | ▁▆▇▃▁ |
| magnesium | 0 | 1 | 99.74 | 14.28 | 70.00 | 88.00 | 98.00 | 107.00 | 162.00 | ▅▇▃▁▁ |
| total_phenols | 0 | 1 | 2.30 | 0.63 | 0.98 | 1.74 | 2.36 | 2.80 | 3.88 | ▅▇▇▇▁ |
| flavanoids | 0 | 1 | 2.03 | 1.00 | 0.34 | 1.20 | 2.13 | 2.88 | 5.08 | ▆▆▇▂▁ |
| nonflavanoid_phenols | 0 | 1 | 0.36 | 0.12 | 0.13 | 0.27 | 0.34 | 0.44 | 0.66 | ▃▇▅▃▂ |
| proanthocyanins | 0 | 1 | 1.59 | 0.57 | 0.41 | 1.25 | 1.56 | 1.95 | 3.58 | ▃▇▆▂▁ |
| color_intensity | 0 | 1 | 5.06 | 2.32 | 1.28 | 3.22 | 4.69 | 6.20 | 13.00 | ▆▇▃▂▁ |
| hue | 0 | 1 | 0.96 | 0.23 | 0.48 | 0.78 | 0.96 | 1.12 | 1.71 | ▅▇▇▃▁ |
| od280_od315_of_diluted_wines | 0 | 1 | 2.61 | 0.71 | 1.27 | 1.94 | 2.78 | 3.17 | 4.00 | ▆▃▆▇▃ |
| proline | 0 | 1 | 746.89 | 314.91 | 278.00 | 500.50 | 673.50 | 985.00 | 1680.00 | ▇▇▅▃▁ |
#3.- Muestras TRAIN y TEST
Necesitamos un set de entrenamiento para generar un modelo predictivo, y un set de prueba para comprobar la eficacia de este modelo para hacer predicciones correctas.
set.seed(12345)
vino_entrenamiento <- sample_frac(vino, 0.80)vino_prueba <- setdiff(vino, vino_entrenamiento) Debemos comprobar los estadísticos de cada submuestra, deben ser parecidos a la muestra completa.
summary(vino)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1:59 Min. :11.03 Min. :0.740 Min. :1.360 Min. :10.60
## 2:71 1st Qu.:12.36 1st Qu.:1.603 1st Qu.:2.210 1st Qu.:17.20
## 3:48 Median :13.05 Median :1.865 Median :2.360 Median :19.50
## Mean :13.00 Mean :2.336 Mean :2.367 Mean :19.49
## 3rd Qu.:13.68 3rd Qu.:3.083 3rd Qu.:2.558 3rd Qu.:21.50
## Max. :14.83 Max. :5.800 Max. :3.230 Max. :30.00
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 70.00 Min. :0.980 Min. :0.340 Min. :0.1300
## 1st Qu.: 88.00 1st Qu.:1.742 1st Qu.:1.205 1st Qu.:0.2700
## Median : 98.00 Median :2.355 Median :2.135 Median :0.3400
## Mean : 99.74 Mean :2.295 Mean :2.029 Mean :0.3619
## 3rd Qu.:107.00 3rd Qu.:2.800 3rd Qu.:2.875 3rd Qu.:0.4375
## Max. :162.00 Max. :3.880 Max. :5.080 Max. :0.6600
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.410 Min. : 1.280 Min. :0.4800 Min. :1.270
## 1st Qu.:1.250 1st Qu.: 3.220 1st Qu.:0.7825 1st Qu.:1.938
## Median :1.555 Median : 4.690 Median :0.9650 Median :2.780
## Mean :1.591 Mean : 5.058 Mean :0.9574 Mean :2.612
## 3rd Qu.:1.950 3rd Qu.: 6.200 3rd Qu.:1.1200 3rd Qu.:3.170
## Max. :3.580 Max. :13.000 Max. :1.7100 Max. :4.000
## proline
## Min. : 278.0
## 1st Qu.: 500.5
## Median : 673.5
## Mean : 746.9
## 3rd Qu.: 985.0
## Max. :1680.0summary(vino_prueba)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1: 9 Min. :11.46 Min. :0.920 Min. :1.820 Min. :15.00
## 2:14 1st Qu.:12.32 1st Qu.:1.645 1st Qu.:2.200 1st Qu.:18.00
## 3:13 Median :12.95 Median :2.245 Median :2.355 Median :19.45
## Mean :12.91 Mean :2.659 Mean :2.362 Mean :20.01
## 3rd Qu.:13.68 3rd Qu.:3.513 3rd Qu.:2.592 3rd Qu.:22.12
## Max. :14.34 Max. :5.650 Max. :2.800 Max. :25.50
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 78.0 Min. :0.980 Min. :0.340 Min. :0.1700
## 1st Qu.: 88.0 1st Qu.:1.695 1st Qu.:0.865 1st Qu.:0.2875
## Median : 97.0 Median :2.125 Median :1.595 Median :0.4000
## Mean : 97.0 Mean :2.190 Mean :1.792 Mean :0.3906
## 3rd Qu.:106.2 3rd Qu.:2.612 3rd Qu.:2.652 3rd Qu.:0.4850
## Max. :116.0 Max. :3.500 Max. :3.930 Max. :0.6300
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.410 Min. : 1.280 Min. :0.5700 Min. :1.330
## 1st Qu.:1.090 1st Qu.: 2.763 1st Qu.:0.8100 1st Qu.:1.802
## Median :1.440 Median : 4.800 Median :0.9100 Median :2.735
## Mean :1.522 Mean : 4.871 Mean :0.9489 Mean :2.477
## 3rd Qu.:1.870 3rd Qu.: 5.585 3rd Qu.:1.1900 3rd Qu.:2.915
## Max. :3.580 Max. :13.000 Max. :1.4200 Max. :3.560
## proline
## Min. : 278.0
## 1st Qu.: 507.5
## Median : 580.0
## Mean : 675.5
## 3rd Qu.: 747.5
## Max. :1680.0summary(vino_entrenamiento)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1:50 Min. :11.03 Min. :0.740 Min. :1.360 Min. :10.60
## 2:57 1st Qu.:12.37 1st Qu.:1.577 1st Qu.:2.212 1st Qu.:17.00
## 3:35 Median :13.05 Median :1.810 Median :2.360 Median :19.50
## Mean :13.02 Mean :2.255 Mean :2.368 Mean :19.36
## 3rd Qu.:13.66 3rd Qu.:2.740 3rd Qu.:2.538 3rd Qu.:21.50
## Max. :14.83 Max. :5.800 Max. :3.230 Max. :30.00
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 70.0 Min. :1.100 Min. :0.470 Min. :0.1300
## 1st Qu.: 89.0 1st Qu.:1.785 1st Qu.:1.250 1st Qu.:0.2600
## Median : 98.0 Median :2.435 Median :2.180 Median :0.3200
## Mean :100.4 Mean :2.322 Mean :2.089 Mean :0.3546
## 3rd Qu.:109.5 3rd Qu.:2.800 3rd Qu.:2.888 3rd Qu.:0.4300
## Max. :162.0 Max. :3.880 Max. :5.080 Max. :0.6600
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.420 Min. : 1.740 Min. :0.4800 Min. :1.270
## 1st Qu.:1.252 1st Qu.: 3.263 1st Qu.:0.7825 1st Qu.:2.053
## Median :1.565 Median : 4.640 Median :0.9950 Median :2.840
## Mean :1.608 Mean : 5.106 Mean :0.9596 Mean :2.646
## 3rd Qu.:1.968 3rd Qu.: 6.287 3rd Qu.:1.1200 3rd Qu.:3.188
## Max. :3.280 Max. :11.750 Max. :1.7100 Max. :4.000
## proline
## Min. : 290.0
## 1st Qu.: 500.5
## Median : 680.0
## Mean : 765.0
## 3rd Qu.:1035.0
## Max. :1547.0##4.- ENTRENAMIENTO DEL MODELO
arbol_1 <- rpart(formula = tipo ~., data = vino_entrenamiento)arbol_1## n= 142
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 142 85 2 (0.35211268 0.40140845 0.24647887)
## 2) proline>=755 58 10 1 (0.82758621 0.06896552 0.10344828)
## 4) flavanoids>=2.165 50 2 1 (0.96000000 0.04000000 0.00000000) *
## 5) flavanoids< 2.165 8 2 3 (0.00000000 0.25000000 0.75000000) *
## 3) proline< 755 84 31 2 (0.02380952 0.63095238 0.34523810)
## 6) od280_od315_of_diluted_wines>=2.09 52 3 2 (0.03846154 0.94230769 0.01923077) *
## 7) od280_od315_of_diluted_wines< 2.09 32 4 3 (0.00000000 0.12500000 0.87500000)
## 14) malic_acid< 1.6 7 3 2 (0.00000000 0.57142857 0.42857143) *
## 15) malic_acid>=1.6 25 0 3 (0.00000000 0.00000000 1.00000000) *Lo anterior muestra el esquema de nuestro árbol de clasificación. Cada inciso nos indica un nodo y la regla de clasificación que le corresponde. Siguiendo estos nodos, podemos llegar a las hojas del árbol, que corresponde a la clasificación de nuestros datos.
Todo lo anterior resulta mucho más claro si lo visualizamos.
rpart.plot(arbol_1)
En estos gráficos, cada uno de los rectángulos representa un nodo de
nuestro árbol, con su regla de clasificación.
Cada nodo está coloreado de acuerdo a la categoría mayoritaria entre los datos que agrupa. Esta es la categoría que ha predicho el modelo para ese grupo.
Dentro del rectángulo de cada nodo se nos muestra qué proporción de casos pertenecen a cada categoría y la proporción del total de datos que han sido agrupados allí. Por ejemplo, el rectángulo en el extremo inferior izquierdo de la gráfica tiene 94% de casos en el tipo 1, y 4% en los tipos 2 y 3, que representan 39% de todos los datos. Estas proporciones nos dan una idea de la precisión de nuestro modelo al hacer predicciones. De este modo, las reglas que conducen al rectángulo que acabamos de mencionar nos dan un 92% de clasificaciones correctas. En contraste, el tercer rectángulo, de izquierda a derecha, de color gris, tuvo sólo 62% de clasificaciones correctas.
Además, podemos sentirnos contentos de que dos de las hojas de nuestro árbol de clasificación han logrado un 100% de clasificaciones correctas, para los vinos de tipo 2 y 3. Pero, por supuesto, necesitamos ser más sistemáticos para indagar qué tan bien hace predicciones nuestro modelo.
# Predicciones
#--------------------------------
prediccion_1 <- predict(arbol_1, newdata=vino_prueba, type = "class") #predecimos sólo la categorí)# Matriz de confusión
#--------------------------
confusionMatrix(prediccion_1, vino_prueba[["tipo"]])## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 9 0 0
## 2 0 13 2
## 3 0 1 11
##
## Overall Statistics
##
## Accuracy : 0.9167
## 95% CI : (0.7753, 0.9825)
## No Information Rate : 0.3889
## P-Value [Acc > NIR] : 5.022e-11
##
## Kappa : 0.8728
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 1.00 0.9286 0.8462
## Specificity 1.00 0.9091 0.9565
## Pos Pred Value 1.00 0.8667 0.9167
## Neg Pred Value 1.00 0.9524 0.9167
## Prevalence 0.25 0.3889 0.3611
## Detection Rate 0.25 0.3611 0.3056
## Detection Prevalence 0.25 0.4167 0.3333
## Balanced Accuracy 1.00 0.9188 0.9013Nada mal. Tenemos una precisión (accuracy), Kappa y otros estadísticos con buenos valores.
Generamos un segundo árbol, usando sets de entrenamiento y prueba diferentes.
set.seed(7439)vino_entrenamiento2 <- sample_frac(vino, .8)vino_prueba2 <- setdiff(vino, vino_entrenamiento2)summary(vino)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1:59 Min. :11.03 Min. :0.740 Min. :1.360 Min. :10.60
## 2:71 1st Qu.:12.36 1st Qu.:1.603 1st Qu.:2.210 1st Qu.:17.20
## 3:48 Median :13.05 Median :1.865 Median :2.360 Median :19.50
## Mean :13.00 Mean :2.336 Mean :2.367 Mean :19.49
## 3rd Qu.:13.68 3rd Qu.:3.083 3rd Qu.:2.558 3rd Qu.:21.50
## Max. :14.83 Max. :5.800 Max. :3.230 Max. :30.00
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 70.00 Min. :0.980 Min. :0.340 Min. :0.1300
## 1st Qu.: 88.00 1st Qu.:1.742 1st Qu.:1.205 1st Qu.:0.2700
## Median : 98.00 Median :2.355 Median :2.135 Median :0.3400
## Mean : 99.74 Mean :2.295 Mean :2.029 Mean :0.3619
## 3rd Qu.:107.00 3rd Qu.:2.800 3rd Qu.:2.875 3rd Qu.:0.4375
## Max. :162.00 Max. :3.880 Max. :5.080 Max. :0.6600
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.410 Min. : 1.280 Min. :0.4800 Min. :1.270
## 1st Qu.:1.250 1st Qu.: 3.220 1st Qu.:0.7825 1st Qu.:1.938
## Median :1.555 Median : 4.690 Median :0.9650 Median :2.780
## Mean :1.591 Mean : 5.058 Mean :0.9574 Mean :2.612
## 3rd Qu.:1.950 3rd Qu.: 6.200 3rd Qu.:1.1200 3rd Qu.:3.170
## Max. :3.580 Max. :13.000 Max. :1.7100 Max. :4.000
## proline
## Min. : 278.0
## 1st Qu.: 500.5
## Median : 673.5
## Mean : 746.9
## 3rd Qu.: 985.0
## Max. :1680.0summary(vino_entrenamiento2)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1:49 Min. :11.41 Min. :0.740 Min. :1.360 Min. :10.60
## 2:56 1st Qu.:12.35 1st Qu.:1.603 1st Qu.:2.210 1st Qu.:17.02
## 3:37 Median :13.05 Median :1.830 Median :2.360 Median :19.00
## Mean :12.99 Mean :2.312 Mean :2.354 Mean :19.19
## 3rd Qu.:13.68 3rd Qu.:3.013 3rd Qu.:2.538 3rd Qu.:21.00
## Max. :14.75 Max. :5.800 Max. :3.230 Max. :28.50
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 70.00 Min. :0.980 Min. :0.340 Min. :0.1300
## 1st Qu.: 88.00 1st Qu.:1.782 1st Qu.:1.125 1st Qu.:0.2625
## Median : 98.00 Median :2.420 Median :2.230 Median :0.3250
## Mean : 99.73 Mean :2.315 Mean :2.036 Mean :0.3618
## 3rd Qu.:106.75 3rd Qu.:2.800 3rd Qu.:2.842 3rd Qu.:0.4500
## Max. :162.00 Max. :3.880 Max. :5.080 Max. :0.6600
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.410 Min. : 1.280 Min. :0.5400 Min. :1.270
## 1st Qu.:1.250 1st Qu.: 3.180 1st Qu.:0.7825 1st Qu.:1.938
## Median :1.560 Median : 4.650 Median :0.9700 Median :2.780
## Mean :1.622 Mean : 5.026 Mean :0.9522 Mean :2.628
## 3rd Qu.:1.978 3rd Qu.: 6.200 3rd Qu.:1.1075 3rd Qu.:3.197
## Max. :3.580 Max. :13.000 Max. :1.4500 Max. :4.000
## proline
## Min. : 278.0
## 1st Qu.: 505.2
## Median : 679.0
## Mean : 751.5
## 3rd Qu.:1008.8
## Max. :1547.0summary(vino_prueba2)## tipo alcohol malic_acid ash alcalinity_of_ash
## 1:10 Min. :11.03 Min. :0.900 Min. :1.710 Min. :14.00
## 2:15 1st Qu.:12.37 1st Qu.:1.627 1st Qu.:2.237 1st Qu.:18.38
## 3:11 Median :13.05 Median :2.010 Median :2.390 Median :20.00
## Mean :13.04 Mean :2.433 Mean :2.417 Mean :20.71
## 3rd Qu.:13.64 3rd Qu.:3.155 3rd Qu.:2.620 3rd Qu.:24.00
## Max. :14.83 Max. :4.950 Max. :3.220 Max. :30.00
## magnesium total_phenols flavanoids nonflavanoid_phenols
## Min. : 78.00 Min. :1.250 Min. :0.490 Min. :0.1900
## 1st Qu.: 87.75 1st Qu.:1.650 1st Qu.:1.295 1st Qu.:0.2700
## Median :100.00 Median :2.075 Median :1.970 Median :0.3700
## Mean : 99.78 Mean :2.218 Mean :2.001 Mean :0.3619
## 3rd Qu.:108.00 3rd Qu.:2.837 3rd Qu.:2.910 3rd Qu.:0.4300
## Max. :139.00 Max. :3.500 Max. :3.930 Max. :0.6100
## proanthocyanins color_intensity hue od280_od315_of_diluted_wines
## Min. :0.640 Min. : 1.900 Min. :0.4800 Min. :1.300
## 1st Qu.:1.198 1st Qu.: 3.388 1st Qu.:0.7775 1st Qu.:1.965
## Median :1.470 Median : 4.740 Median :0.9650 Median :2.750
## Mean :1.468 Mean : 5.186 Mean :0.9783 Mean :2.547
## 3rd Qu.:1.785 3rd Qu.: 6.225 3rd Qu.:1.1450 3rd Qu.:3.030
## Max. :2.140 Max. :10.800 Max. :1.7100 Max. :3.500
## proline
## Min. : 365.0
## 1st Qu.: 500.0
## Median : 571.0
## Mean : 728.9
## 3rd Qu.: 932.5
## Max. :1680.0Los resultados de los estadísticos son similares.
arbol_2 <- rpart(formula = tipo ~., data = vino_entrenamiento2)arbol_2## n= 142
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 142 86 2 (0.34507042 0.39436620 0.26056338)
## 2) proline>=755 54 7 1 (0.87037037 0.05555556 0.07407407)
## 4) flavanoids>=2.3 46 0 1 (1.00000000 0.00000000 0.00000000) *
## 5) flavanoids< 2.3 8 4 3 (0.12500000 0.37500000 0.50000000) *
## 3) proline< 755 88 35 2 (0.02272727 0.60227273 0.37500000)
## 6) color_intensity< 4.02 49 1 2 (0.00000000 0.97959184 0.02040816) *
## 7) color_intensity>=4.02 39 7 3 (0.05128205 0.12820513 0.82051282)
## 14) flavanoids>=1.4 7 2 2 (0.28571429 0.71428571 0.00000000) *
## 15) flavanoids< 1.4 32 0 3 (0.00000000 0.00000000 1.00000000) *rpart.plot(arbol_2)
prediccion_2 <- predict(arbol_2, newdata = vino_prueba2, type = "class")confusionMatrix(prediccion_2, vino_prueba2[["tipo"]])## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 10 1 0
## 2 0 14 1
## 3 0 0 10
##
## Overall Statistics
##
## Accuracy : 0.9444
## 95% CI : (0.8134, 0.9932)
## No Information Rate : 0.4167
## P-Value [Acc > NIR] : 2.641e-11
##
## Kappa : 0.9154
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 1.0000 0.9333 0.9091
## Specificity 0.9615 0.9524 1.0000
## Pos Pred Value 0.9091 0.9333 1.0000
## Neg Pred Value 1.0000 0.9524 0.9615
## Prevalence 0.2778 0.4167 0.3056
## Detection Rate 0.2778 0.3889 0.2778
## Detection Prevalence 0.3056 0.4167 0.2778
## Balanced Accuracy 0.9808 0.9429 0.9545¡Oh! Esta vez hemos obtenido una precisión casi perfecta en nuestras predicciones. Con este modelo hemos mejorado la predicción con respecto al anterior.
Se puede observar que el árbol es diferente, pues la muestra de entrenamiento y prueba son diferentes, aunque las particiones obtenidas son idénticas. La idea es que, dependiendo de la muestra extraída en el Train & Test sample, los resultados pueden cambiar y obtendremos modelos más precisos que otros.
Hacemos un tercer modelo.
set.seed(8476)vino_entrenamiento3 <- sample_frac(vino, 0.8)vino_prueba3 <- setdiff(vino, vino_entrenamiento3)arbol_3 <- rpart(formula = tipo ~., data = vino_entrenamiento3)
arbol_3## n= 142
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 142 89 2 (0.33802817 0.37323944 0.28873239)
## 2) proline>=755 54 8 1 (0.85185185 0.05555556 0.09259259)
## 4) flavanoids>=2.3 47 1 1 (0.97872340 0.02127660 0.00000000) *
## 5) flavanoids< 2.3 7 2 3 (0.00000000 0.28571429 0.71428571) *
## 3) proline< 755 88 38 2 (0.02272727 0.56818182 0.40909091)
## 6) flavanoids>=1.4 48 3 2 (0.04166667 0.93750000 0.02083333) *
## 7) flavanoids< 1.4 40 5 3 (0.00000000 0.12500000 0.87500000)
## 14) color_intensity< 4.375 7 2 2 (0.00000000 0.71428571 0.28571429) *
## 15) color_intensity>=4.375 33 0 3 (0.00000000 0.00000000 1.00000000) *rpart.plot(arbol_3)
prediccion_3 <- predict(arbol_3, newdata = vino_prueba3, type = "class")confusionMatrix(prediccion_3, vino_prueba3[["tipo"]])## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 10 0 0
## 2 0 17 1
## 3 1 1 6
##
## Overall Statistics
##
## Accuracy : 0.9167
## 95% CI : (0.7753, 0.9825)
## No Information Rate : 0.5
## P-Value [Acc > NIR] : 1.136e-07
##
## Kappa : 0.866
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9091 0.9444 0.8571
## Specificity 1.0000 0.9444 0.9310
## Pos Pred Value 1.0000 0.9444 0.7500
## Neg Pred Value 0.9615 0.9444 0.9643
## Prevalence 0.3056 0.5000 0.1944
## Detection Rate 0.2778 0.4722 0.1667
## Detection Prevalence 0.2778 0.5000 0.2222
## Balanced Accuracy 0.9545 0.9444 0.8941Esta ocasión hemos obtenido una precisión en nuestras predicciones similar al primer modelo que generamos, pero ahora una de las variables usadas en la partición es diferente.
##5.- SELECCIÓN DEL MEJOR MODELO
En estos gráficos, cada uno de los rectángulos representa un nodo de nuestro árbol, con su regla de clasificación.
Cada nodo está coloreado de acuerdo a la categoría mayoritaria entre los datos que agrupa. Esta es la categoría que ha predicho el modelo para ese grupo.
Dentro del rectángulo de cada nodo se nos muestra qué proporción de casos pertenecen a cada categoría y la proporción del total de datos que han sido agrupados allí. Por ejemplo, el rectángulo en el extremo inferior izquierdo de la gráfica tiene 94% de casos en el tipo 1, y 4% en los tipos 2 y 3, que representan 39% de todos los datos. Estas proporciones nos dan una idea de la precisión de nuestro modelo al hacer predicciones. De este modo, las reglas que conducen al rectángulo que acabamos de mencionar nos dan un 92% de clasificaciones correctas. En contraste, el tercer rectángulo, de izquierda a derecha, de color gris, tuvo sólo 62% de clasificaciones correctas. Además, podemos sentirnos contentos de que dos de las hojas de nuestro árbol de clasificación han logrado un 100% de clasificaciones correctas, para los vinos de tipo 2 y 3. Pero, por supuesto, necesitamos ser más sistemáticos para indagar qué tan bien hace predicciones nuestro modelo.
Se puede observar que el árbol es diferente pues la muestra de entrenamiento y prueba son diferentes aunque las partificines obtenidas son idénticas. La idea es que dependiendo de la muestra extraida en el Train y Test sample los resultados pueden cambiar y obtendremos modelos más precisos que otros.
La respuesta depende de nuestros objetivos y qué tanta precisión nos interese en nuestras predicciones.
Por ejemplo, con los datos sobre vinos podría ser que no nos interesan tanto las reglas específicas para clasificar vinos, sino las variables que son más importantes para distinguirlos. Lo que nos han pedido es reduzcamos el número de variables usadas para catalogar vinos para fines de control de calidad, de las trece originales a un número menor. Pero también puede ser que el propósito del análisis sea clasificar vinos por riesgo de toxicidad. En este caso sí es importante tener reglas precisas para hacer predicciones.
En todo caso, una manera de elegir un modelo es, en realidad, crear múltiples modelos y compararlos. Por ejemplo: creamos cien árboles con los mismos datos y después analizaos los modelos que tienen más éxito para clasificar para determinar cuáles variables son las que mejor separan los datos y en qué rangos se encuentran los valores de las reglas. De hecho, este es el principio del método Random Forest, pero ese es tema para otro día.
En nuestro ejemplo, hay algunas variables que aparecen frecuentemente, pero la regla asociada a ellas ha cambiado. color_intensity ha aparecido en los tres modelos generados, con tres valores distintos: 4, 3.5 y 4.9. Algo similar ha ocurrido con proline y flavanoids. Lo que ha sido consistente es la presencia de estas variables, en la mayoría de nuestros modelos. Es muy probable que si repetimos este ejercicio suficientes veces, encontraremos más regularidades como esta.
crear_sets <- function(datos, proporcion = .7) {
sets <- list()
sets[["entrenamiento"]] <- sample_frac(datos, proporcion)
sets[["prueba"]] <- setdiff(datos, sets[["entrenamiento"]])
sets
}
entrenar_arbol <- function(sets, objetivo, predictores = ".", mi_cp = .01) {
if(length(predictores > 1)) {
predictores <- paste0(predictores, collapse = "+")
}
mi_formula <- paste0(objetivo, " ~ ", predictores) %>% as.formula()
arbol <- list()
arbol[["modelo"]] <-
rpart(data = sets[["entrenamiento"]], formula = mi_formula,
control = rpart.control(cp = mi_cp, xval = 35, minsplit = 5))
arbol[["prediccion"]] <- predict(arbol[["modelo"]], sets[["prueba"]], type = "class")
arbol[["referencia"]] <- sets[["prueba"]][[objetivo]]
arbol
}
obtener_diagnostico <- function(arbol, objetivo, mi_cp = 0.01) {
diagnostico <- list()
diagnostico[["matriz"]] <- confusionMatrix(data = arbol[["prediccion"]],
reference = arbol[["referencia"]])
cp <- with(arbol[["modelo"]], cptable[which.min(cptable[, "xerror"]), "CP"])
cp_original <- mi_cp
podar <- if(cp < mi_cp) "SI" else "NO"
diagnostico[["mincp"]] <- data.frame("CP mínimo" = cp, "CP original" = cp_original, "Podar" = podar)
diagnostico
}
crear_arbol <- function(datos, objetivo, predictores = ".", mi_cp = 0.01) {
resultado <- list()
resultado[["sets"]] <- crear_sets(datos)
resultado[["arbol"]] <- entrenar_arbol(resultado[["sets"]], objetivo, predictores, mi_cp)
resultado[["diagnostico"]] <- obtener_diagnostico(resultado[["arbol"]], objetivo, mi_cp)
resultado
}set.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.10)
unarbol[["diagnostico"]]## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 15 1 2
## 2 1 18 3
## 3 0 2 11
##
## Overall Statistics
##
## Accuracy : 0.8302
## 95% CI : (0.702, 0.9193)
## No Information Rate : 0.3962
## P-Value [Acc > NIR] : 1.106e-10
##
## Kappa : 0.7423
##
## Mcnemar's Test P-Value : 0.5319
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9375 0.8571 0.6875
## Specificity 0.9189 0.8750 0.9459
## Pos Pred Value 0.8333 0.8182 0.8462
## Neg Pred Value 0.9714 0.9032 0.8750
## Prevalence 0.3019 0.3962 0.3019
## Detection Rate 0.2830 0.3396 0.2075
## Detection Prevalence 0.3396 0.4151 0.2453
## Balanced Accuracy 0.9282 0.8661 0.8167
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.1 0.1 NOset.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.05)
unarbol[["diagnostico"]]## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 15 1 0
## 2 1 18 3
## 3 0 2 13
##
## Overall Statistics
##
## Accuracy : 0.8679
## 95% CI : (0.7466, 0.9452)
## No Information Rate : 0.3962
## P-Value [Acc > NIR] : 1.597e-12
##
## Kappa : 0.7996
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9375 0.8571 0.8125
## Specificity 0.9730 0.8750 0.9459
## Pos Pred Value 0.9375 0.8182 0.8667
## Neg Pred Value 0.9730 0.9032 0.9211
## Prevalence 0.3019 0.3962 0.3019
## Detection Rate 0.2830 0.3396 0.2453
## Detection Prevalence 0.3019 0.4151 0.2830
## Balanced Accuracy 0.9552 0.8661 0.8792
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.05333333 0.05 NOset.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.01)
unarbol[["diagnostico"]]## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 15 1 0
## 2 1 18 2
## 3 0 2 14
##
## Overall Statistics
##
## Accuracy : 0.8868
## 95% CI : (0.7697, 0.9573)
## No Information Rate : 0.3962
## P-Value [Acc > NIR] : 1.535e-13
##
## Kappa : 0.8287
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9375 0.8571 0.8750
## Specificity 0.9730 0.9062 0.9459
## Pos Pred Value 0.9375 0.8571 0.8750
## Neg Pred Value 0.9730 0.9062 0.9459
## Prevalence 0.3019 0.3962 0.3019
## Detection Rate 0.2830 0.3396 0.2642
## Detection Prevalence 0.3019 0.3962 0.3019
## Balanced Accuracy 0.9552 0.8817 0.9105
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.01 0.01 NOset.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.005)
unarbol[["diagnostico"]]## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 15 1 0
## 2 1 18 2
## 3 0 2 14
##
## Overall Statistics
##
## Accuracy : 0.8868
## 95% CI : (0.7697, 0.9573)
## No Information Rate : 0.3962
## P-Value [Acc > NIR] : 1.535e-13
##
## Kappa : 0.8287
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9375 0.8571 0.8750
## Specificity 0.9730 0.9062 0.9459
## Pos Pred Value 0.9375 0.8571 0.8750
## Neg Pred Value 0.9730 0.9062 0.9459
## Prevalence 0.3019 0.3962 0.3019
## Detection Rate 0.2830 0.3396 0.2642
## Detection Prevalence 0.3019 0.3962 0.3019
## Balanced Accuracy 0.9552 0.8817 0.9105
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.005 0.005 NOset.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.001)
unarbol[["diagnostico"]]## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 15 1 0
## 2 1 18 2
## 3 0 2 14
##
## Overall Statistics
##
## Accuracy : 0.8868
## 95% CI : (0.7697, 0.9573)
## No Information Rate : 0.3962
## P-Value [Acc > NIR] : 1.535e-13
##
## Kappa : 0.8287
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.9375 0.8571 0.8750
## Specificity 0.9730 0.9062 0.9459
## Pos Pred Value 0.9375 0.8571 0.8750
## Neg Pred Value 0.9730 0.9062 0.9459
## Prevalence 0.3019 0.3962 0.3019
## Detection Rate 0.2830 0.3396 0.2642
## Detection Prevalence 0.3019 0.3962 0.3019
## Balanced Accuracy 0.9552 0.8817 0.9105
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.001 0.001 NO##7.- CONCLUSIÓN
Podemos observar que las funciones anteriores incluyen ajustes de parámetros que no hemos discutido y que nos ayudan a perfeccionar nuestros modelos de predicción con árboles de clasificación.
Por lo pronto, en este documento ya revisamos qué son los árboles de decisión, sus ventajas y desventajas, cómo implementarlos para hacer clasificación usando el paquete rpart de R y, de paso, cómo resolver algunos problemas comunes al importar datos guardados en archivos de formato no convencional.
Con esto tenemos los elementos básicos para crear e interpretar tus propios árboles de clasificación con distintos tipos de datos.