AVANCE
Pinta Luis
2023-11-30
Predicción de la diabetes tipo 2 mediante aprendizaje automático (Métodos de clasificación)
INTRODUCCIÓN
La enfermedad crónica es una condición de salud que se caracteriza por ser de larga duración y generalmente no tiene una cura completa. A diferencia de las enfermedades agudas que son de corta duración, las enfermedades crónicas pueden persistir durante meses o incluso años. Estas enfermedades pueden afectar diferentes sistemas del cuerpo y tener un impacto significativo en la calidad de vida de una persona.
Algunos de las enfermedades crónicas incluyen la diabetes, la hipertensión arterial, el asma, la enfermedad cardiovascular y la artritis. Estas enfermedades requieren un manejo continuo y a menudo implican cambios en el estilo de vida, medicamentos y seguimiento médico regular.
Es importante destacar que cada enfermedad crónica es única y puede afectar a las personas de diferentes maneras. Algunas personas pueden experimentar síntomas leves, mientras que otras pueden tener síntomas más graves que limitan su capacidad para llevar una vida normal.
Es fundamental que las personas con enfermedades crónicas reciban un diagnóstico temprano y un tratamiento adecuado para controlar los síntomas y prevenir complicaciones a largo plazo. Además, el apoyo emocional y la educación sobre la enfermedad son aspectos importantes del manejo de las enfermedades crónicas.(Comunicarse con los demás - al vivir con una enfermedad crónica: MedlinePlus Enciclopedia Médica, s. f.)
DESCRIPCIÓN DE LAS VARIABLES
Edad (Age): Se basa al período de tiempo que la persona esta viva o ha estado viva.
Género (Gender): Hace referencia a la identidad sexual de una persona, ya sea masculino o femenino.
Diabetes familiar (Family_Diabetes): Se refiere a la presencia de antecedentes familiares de diabetes, es decir, si algún miembro de la familia ha sido diagnosticado con diabetes.
Presión arterial alta (highBP): Hace referencia a la presión arterial elevada, de la persona lo cual puede ser un indicador de problemas de salud como enfermedades cardiovasculares.
Actividad física (PhysicallyActive): Se refiere al nivel de actividad física que una persona realiza en su vida diaria, como ejercicios, deportes y cualquier otra forma de actividad física que se realice regularmente.
BMI: Es la sigla en inglés para “Índice de Masa Corporal” (Body Mass Index): Se utiliza para evaluar si una persona tiene un peso saludable en relación con su altura.
Fumar (Smoking): Hace referencia al hábito de fumar cigarrillos u otras formas de tabaco. El tabaquismo está asociado con numerosos problemas de salud, como enfermedades respiratorias y cardiovasculares.
Consumo de alcohol (Alcohol): Se refiere al consumo de bebidas alcohólicas. El consumo excesivo de alcohol puede tener efectos negativos en la salud, incluyendo daño al hígado y aumento del riesgo de accidentes.
Sueño (Sleep): Hace referencia al período de descanso y recuperación que una persona necesita diariamente.
Sueño profundo (SoundSleep): Se refiere a la calidad del sueño, especialmente al sueño profundo y reparador, es adecuado es importante para la salud y el bienestar general.
Medicación regular (RegularMedicine): Hace referencia al consumo regular de medicamentos recetados por un médico para tratar una condición médica específica.
Comida chatarra (JunkFood): Se refiere a alimentos que son altos en calorías, grasas saturadas, azúcares y bajos en nutrientes esenciales.
Estrés (Stress): Hace referencia a la respuesta del cuerpo ante situaciones desafiantes o estresantes. El estrés crónico puede tener efectos negativos en la salud física y mental.
Nivel de presión arterial (BPLevel): Se refiere al nivel de presión arterial, que puede ser normal, bajo o alto de la persona. Está asociada con un mayor riesgo de enfermedades cardiovasculares.
Embarazos (Pregancies): Hace referencia al número de veces que una mujer ha estado embarazada o ha dado a luz a un bebé.
Diabetes gestacional (Pdiabetes): Se refiere a la diabetes que se desarrolla durante el embarazo. Es importante controlar y tratar la diabetes gestacional para evitar complicaciones tanto para la madre como para el bebé.
Frecuencia urinaria (UriationFreq): Hace referencia a la frecuencia con la que una persona orina.
Diabetes (Diabetic): Se refiere a la condición médica crónica caracterizada por niveles elevados de azúcar en sangre. Puede tener implicaciones para la salud a largo plazo y requiere un manejo adecuado a través de cambios en el estilo de vida y medicación.
EXTENSIÓN CON R Y RSTUDIO
DATA <- load(“DATA.rda”)
Error in readChar(con, 5L, useBytes = TRUE) : no se puede abrir la conexión Además: Warning message: In readChar(con, 5L, useBytes = TRUE) : cannot open compressed file ‘DATA.rda’, probable reason ‘No such file or directory’
file.choose() [1] “C:\6to SEMESTRE\METODO CUANTITATIVO\DATA.rda”
DATA <- load(“C:\6to SEMESTRE\METODO CUANTITATIVO\DATA.rda”)
DATA
[1] “diabetes”
write.table(diabetes, file = “diabetes2.txt”, sep = “;”, eol=“”)
DESAROLLO
CARGA DE BASE DE DATOS:
# Importar la base de datos
diabetes <- read.csv("diabetes2.csv",sep = ";")
# diabetes
# Se muetsra las primeras 3 filas de la base de datos
head(diabetes, 3)## Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
## 20 less than 40 Male yes no one hr or more 22 no
## 258 less than 40 Male yes no one hr or more 22 no
## 511 60 or older Female yes no none 26 no
## Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
## 20 no 8 6 no often not at all normal
## 258 no 8 6 no often not at all normal
## 511 no 7 7 no occasionally sometimes normal
## Pregancies Pdiabetes UriationFreq Diabetic
## 20 0 0 not much no
## 258 0 0 not much no
## 511 3 0 not much noNOMBRE DE LAS VARIABLES DE LA BASE DE DATOS
# nombres de las variables
names(diabetes)## [1] "Age" "Gender" "Family_Diabetes" "highBP"
## [5] "PhysicallyActive" "BMI" "Smoking" "Alcohol"
## [9] "Sleep" "SoundSleep" "RegularMedicine" "JunkFood"
## [13] "Stress" "BPLevel" "Pregancies" "Pdiabetes"
## [17] "UriationFreq" "Diabetic"TIPO DE CLASE DE LAS VARIABLES DE LA BASE DE DATOS
# Comprobar el tipo de clase de cada variable
clases <- sapply(diabetes, class)
clases## Age Gender Family_Diabetes highBP
## "character" "character" "character" "character"
## PhysicallyActive BMI Smoking Alcohol
## "character" "integer" "character" "character"
## Sleep SoundSleep RegularMedicine JunkFood
## "integer" "integer" "character" "character"
## Stress BPLevel Pregancies Pdiabetes
## "character" "character" "integer" "character"
## UriationFreq Diabetic
## "character" "character"CAMBIAR EL TIPO DE CLASE
Variable AGE
diabetes$Age <- factor(diabetes$Age)
levels(diabetes$Age) <- c("40-49","50-59","60 or older","less than 40")
class(diabetes$Age)## [1] "factor"Variable Gender
diabetes$Gender <- factor(diabetes$Gender)
levels(diabetes$Gender) <- c("Female","Male")
class(diabetes$Gender)## [1] "factor"Variable Family_Diabetes
diabetes$Family_Diabetes <- factor(diabetes$Family_Diabetes)
levels(diabetes$Family_Diabetes) <- c("no","yes")
class(diabetes$Family_Diabetes)## [1] "factor"Variable HighBP
diabetes$highBP <- factor(diabetes$highBP)
levels(diabetes$highBP) <- c("no","yes")
class(diabetes$highBP)## [1] "factor"Variable PhysicallyActive
diabetes$PhysicallyActive <- factor(diabetes$PhysicallyActive)
levels(diabetes$PhysicallyActive) <- c("one hr or more","none","more than half an hr","
less than half an hr","none")
class(diabetes$PhysicallyActive)## [1] "factor"Variable Smoking
diabetes$Smoking <- factor(diabetes$Smoking)
levels(diabetes$Smoking) <- c("no","yes")
class(diabetes$Smoking)## [1] "factor"Variable Alcohol
diabetes$Alcohol <- factor(diabetes$Alcohol)
levels(diabetes$Alcohol) <- c("no","yes")
class(diabetes$Alcohol)## [1] "factor"Variable RegularMedicine
diabetes$RegularMedicine <- factor(diabetes$RegularMedicine)
levels(diabetes$RegularMedicine) <- c("no","yes")
class(diabetes$RegularMedicine)## [1] "factor"Variable JunkFood
diabetes$JunkFood <- factor(diabetes$JunkFood)
levels(diabetes$JunkFood) <- c("often", "occasionally", "very often", "always")
class(diabetes$JunkFood)## [1] "factor"Variable Stress
diabetes$Stress <- factor(diabetes$Stress)
levels(diabetes$Stress) <- c("not at all", "sometimes", "very often", "always")
class(diabetes$Stress)## [1] "factor"Variable Bplevel
diabetes$BPLevel <- factor(diabetes$BPLevel)
levels(diabetes$BPLevel) <- c("normal", "high", "low")
class(diabetes$BPLevel)## [1] "factor"Variable Pdiabetes
diabetes$Pdiabetes <- factor(diabetes$Pdiabetes)
levels(diabetes$Pdiabetes) <- c("0", "yes")
class(diabetes$Pdiabetes)## [1] "factor"Variable UriationFreq
diabetes$UriationFreq <- factor(diabetes$UriationFreq)
levels(diabetes$UriationFreq) <- c("not much", "quite often")
class(diabetes$UriationFreq)## [1] "factor"Variable Diabetic
diabetes$Diabetic <- factor(diabetes$Diabetic)
levels(diabetes$Diabetic) <- c("no", "yes")
class(diabetes$Diabetic)## [1] "factor"LIMPIEZA DE LA BASE DE DATOS
# Eliminar filas con valores faltantes
diabetes_clean <- na.omit(diabetes)
# Verificar el resultado
head(diabetes_clean)## Age Gender Family_Diabetes highBP PhysicallyActive BMI
## 20 less than 40 Male yes no \t\nless than half an hr 22
## 258 less than 40 Male yes no \t\nless than half an hr 22
## 511 60 or older Female yes no more than half an hr 26
## 907 less than 40 Male yes no none 19
## 582 60 or older Male no no none 23
## 726 40-49 Male no no one hr or more 26
## Smoking Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress
## 20 no no 8 6 no very often sometimes
## 258 no no 8 6 no very often sometimes
## 511 no no 7 7 no occasionally very often
## 907 yes yes 7 5 no occasionally sometimes
## 582 no yes 7 6 yes occasionally always
## 726 yes no 8 7 no occasionally very often
## BPLevel Pregancies Pdiabetes UriationFreq Diabetic
## 20 low 0 0 not much no
## 258 low 0 0 not much no
## 511 low 3 0 not much no
## 907 low 0 0 not much no
## 582 normal 0 0 quite often yes
## 726 low 0 0 not much noELIMINAR LOS NA
# Eliminar filas con valores NA
diabetes_clean <- na.omit(diabetes)
# Verificar el resultado
head(diabetes_clean)## Age Gender Family_Diabetes highBP PhysicallyActive BMI
## 20 less than 40 Male yes no \t\nless than half an hr 22
## 258 less than 40 Male yes no \t\nless than half an hr 22
## 511 60 or older Female yes no more than half an hr 26
## 907 less than 40 Male yes no none 19
## 582 60 or older Male no no none 23
## 726 40-49 Male no no one hr or more 26
## Smoking Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress
## 20 no no 8 6 no very often sometimes
## 258 no no 8 6 no very often sometimes
## 511 no no 7 7 no occasionally very often
## 907 yes yes 7 5 no occasionally sometimes
## 582 no yes 7 6 yes occasionally always
## 726 yes no 8 7 no occasionally very often
## BPLevel Pregancies Pdiabetes UriationFreq Diabetic
## 20 low 0 0 not much no
## 258 low 0 0 not much no
## 511 low 3 0 not much no
## 907 low 0 0 not much no
## 582 normal 0 0 quite often yes
## 726 low 0 0 not much noANÁLISIS DESCRIPTIVO
Descripción teórica:
Concepto y Fórmula:
Interpretación:
Diabetes1 <- diabetes_clean[, c("BMI", "Sleep", "SoundSleep", "Pregancies")]
summary(Diabetes1)## BMI Sleep SoundSleep Pregancies
## Min. :15.00 Min. : 4.000 Min. : 0.000 Min. :0.0000
## 1st Qu.:21.00 1st Qu.: 6.000 1st Qu.: 4.000 1st Qu.:0.0000
## Median :24.00 Median : 7.000 Median : 6.000 Median :0.0000
## Mean :25.33 Mean : 6.976 Mean : 5.609 Mean :0.3819
## 3rd Qu.:28.00 3rd Qu.: 8.000 3rd Qu.: 7.000 3rd Qu.:0.0000
## Max. :42.00 Max. :11.000 Max. :11.000 Max. :4.0000SELECCIÓN DE LAS VARIABLES FACTOR
Diabetes1 <- diabetes_clean[, c("BMI", "Sleep", "SoundSleep", "Pregancies")]
# Verificar el resultado
head(Diabetes1)## BMI Sleep SoundSleep Pregancies
## 20 22 8 6 0
## 258 22 8 6 0
## 511 26 7 7 3
## 907 19 7 5 0
## 582 23 7 6 0
## 726 26 8 7 0MÍNIMO
El valor mínimo se refiere al valor más pequeño encontrado de las variables dentro de esa base de datos. Para calcular el valor mínimo de una variable se, puedes utilizar la función min(). Esta función devuelve el valor mínimo dentro de un vector o columna.
\[\text{Valor Mínimo} = \min(x_1, x_2, ..., x_n)\]
# Obtener el valor mínimo de las variables "BMI", "Sleep", "SoundSleep" y "Pregancies"
apply(Diabetes1[, c("BMI", "Sleep", "SoundSleep", "Pregancies")], 2, min)## BMI Sleep SoundSleep Pregancies
## 15 4 0 0Interpretación:
BMI (Índice de Masa Corporal):
El valor mínimo es 15.00. Esto significa que la menor medida de índice de masa corporal registrada es 15. El BMI es una medida que relaciona el peso y la altura de una persona, y un valor mínimo puede sugerir la presencia de casos con bajo peso.
Sleep (Horas de Sueño):
El valor mínimo es 4.000. Indica que la menor cantidad de horas de sueño registrada es 4. Esto podría sugerir la presencia de casos con un bajo número de horas de sueño.
SoundSleep (Horas de Sueño Profundo):
El valor mínimo es 0. Indica que, en algunos casos, no hubo horas de sueño profundo registradas. Esto podría ser interpretado como la ausencia de horas de sueño profundo en esos casos específicos.
Pregnancies (Embarazos):
El valor mínimo es 0. Indica que la menor cantidad de embarazos registrada es 0. Esto podría sugerir la presencia de casos donde no hubo embarazos.
PRIMER CUARTIL
El primer cuartil, también conocido como Q1 o percentil 25, es un valor estadístico que indica el punto en el cual el 25% de los datos de una muestra se encuentran por debajo de ese valor. En otras palabras, el primer cuartil divide la muestra en cuatro partes iguales, donde el 25% de los datos se encuentran por debajo del primer cuartil y el 75% restante se encuentra por encima.
\[Q1=Percentil . 25\]
# Calcular el primer cuartil de las variables "BMI", "Sleep", "SoundSleep" y "Pregancies"
first_quartiles <- quantile(Diabetes1$BMI, probs = 0.25)
first_quartiles_sleep <- quantile(Diabetes1$Sleep, probs = 0.25)
first_quartiles_soundsleep <- quantile(Diabetes1$SoundSleep, probs = 0.25)
first_quartiles_pregnancies <- quantile(Diabetes1$Pregancies, probs = 0.25)
# Verificar los resultados
C <- data.frame(
first_quartiles,
first_quartiles_sleep,
first_quartiles_soundsleep,
first_quartiles_pregnancies
)
print(C)## first_quartiles first_quartiles_sleep first_quartiles_soundsleep
## 25% 21 6 4
## first_quartiles_pregnancies
## 25% 0Interpretación:
BMI (Índice de Masa Corporal):
El primer cuartil para BMI es 21. Esto significa que el 25% de los datos tienen un valor de BMI menor o igual a 21. En términos prácticos, se puede decir que el 25% de las observaciones tienen un índice de masa corporal igual o inferior a 21.
Sleep (Horas de Sueño):
El primer cuartil para Sleep es 6. Esto indica que el 25% de los datos tienen un valor de horas de sueño igual o inferior a 6. En otras palabras, el 25% de las observaciones tienen un número de horas de sueño igual o inferior a 6.
SoundSleep (Horas de Sueño Profundo):
El primer cuartil para SoundSleep es 4. Significa que el 25% de los datos tienen un valor de horas de sueño profundo igual o inferior a 4. El primer cuartil nos proporciona una idea sobre la distribución de las horas de sueño profundo en el cuartil inferior.
Pregnancies (Embarazos):
El primer cuartil para Pregancies es 0. Indica que el 25% de los datos tienen un valor de embarazos igual o inferior a 0. Esto sugiere que un cuarto de las observaciones no tuvieron embarazos o tuvieron muy pocos embarazos.
MEDIANA
La mediana es una medida de tendencia central que indica el valor que se encuentra en el centro de un conjunto de datos ordenados. Es decir, la mitad de los valores están por encima de la mediana y la otra mitad están por debajo.
\[\text{Mediana} = \text{valor\medio}\]
apply(Diabetes1, 2, median)## BMI Sleep SoundSleep Pregancies
## 24 7 6 0Interpretación:
BMI (Índice de Masa Corporal):
La mediana para BMI es 24. Esto significa que el 50% de los datos tienen un valor de BMI menor o igual a 24. En otras palabras, la mitad de las observaciones tienen un índice de masa corporal igual o inferior a 24, y la otra mitad tiene un valor igual o superior a 24.
Sleep (Horas de Sueño):
La mediana para Sleep es 7. Indica que el 50% de los datos tienen un valor de horas de sueño igual o inferior a 7. La mediana es el punto medio de la distribución de las horas de sueño, donde la mitad de las observaciones tienen un número de horas igual o inferior a 7, y la otra mitad tiene un valor igual o superior a 7.
SoundSleep (Horas de Sueño Profundo):
La mediana para SoundSleep es 6. Significa que el 50% de los datos tienen un valor de horas de sueño profundo igual o inferior a 6. La mediana proporciona información sobre el punto medio de la distribución de las horas de sueño profundo.
Pregnancies (Embarazos):
La mediana para Pregancies es 0. Indica que el 50% de los datos tienen un valor de embarazos igual o inferior a 0. La mediana nos dice que la mitad de las observaciones tienen cero o un número muy bajo de embarazos.
MEDIA
El valor de la media se refiere al promedio de los valores de una variable específica. La media es una medida de tendencia central que se calcula sumando todos los valores y dividiendo el resultado entre la cantidad total de valores.
\[\bar{x} = \frac{1}{N} \sum_{i=1}^{N} x_i\]
data.frame(mean(Diabetes1$BMI),
mean(Diabetes1$Sleep),
mean(Diabetes1$SoundSleep),
mean(Diabetes1$Pregancies))## mean.Diabetes1.BMI. mean.Diabetes1.Sleep. mean.Diabetes1.SoundSleep.
## 1 25.33444 6.975717 5.609272
## mean.Diabetes1.Pregancies.
## 1 0.3818985Interpretación:
BMI (Índice de Masa Corporal):
La media para BMI es 25.33. En este caso, la media de BMI es aproximadamente 25.33, lo que indica que, en promedio, las medidas de índice de masa corporal tienden a estar alrededor de este valor.
Sleep (Horas de Sueño):
La media para Sleep es 6.976. En promedio, las observaciones en el conjunto de datos tienen alrededor de 6.976 horas de sueño.
SoundSleep (Horas de Sueño Profundo):
La media para SoundSleep es 5.609. En promedio, las horas de sueño profundo son aproximadamente 5.609.
Pregnancies (Embarazos):
La media para Pregancies es 0.3819. En promedio, las observaciones en el conjunto de datos tienen aproximadamente 0.3819 embarazos.
TERCER CUARTIL
El valor del tercer cuartil, también conocido como el percentil 75 (Q3), es un valor que divide los datos ordenados en cuatro partes iguales. Esto significa que el 75% de los datos se encuentran por debajo del tercer cuartil y el 25% restante se encuentra por encima.
\[Q_3=Percentil. 75\]
Diabetes1 <- diabetes_clean[, c("BMI", "Sleep", "SoundSleep", "Pregancies")]
# Calcular el tercer cuartil para cada variable
q3_values <- apply(Diabetes1, 2, quantile, probs = 0.75)
# Imprimir los resultados
print(q3_values)## BMI Sleep SoundSleep Pregancies
## 28 8 7 0Interpretación:
BMI (Índice de Masa Corporal):
El tercer cuartil (3rd Qu) para BMI es 28. Indica que el 75% de los datos tienen un valor de BMI menor o igual a 28. En otras palabras, el 75% de las observaciones tienen un índice de masa corporal igual o inferior a 28.
Sleep (Horas de Sueño):
El tercer cuartil para Sleep es 8. Esto significa que el 75% de los datos tienen un valor de horas de sueño igual o inferior a 8. Indica la distribución de las horas de sueño en el cuartil superior, donde el 75% de las observaciones tienen un número de horas igual o inferior a 8.
SoundSleep (Horas de Sueño Profundo):
El tercer cuartil para SoundSleep es 7. Indica que el 75% de los datos tienen un valor de horas de sueño profundo igual o inferior a 7. Proporciona información sobre la distribución de las horas de sueño profundo en el cuartil superior.
Pregnancies (Embarazos):
El tercer cuartil para Pregancies es 0. Indica que el 75% de los datos tienen un valor de embarazos igual o inferior a 0. Esto sugiere que la mayoría de las observaciones tienen cero o un número muy bajo de embarazos.
VALOR MÁXIMO
El valor máximo se refiere al valor más grande que se encuentra en una determinada variable o columna. Es el valor más alto dentro de esa columna específica de un conjunto de datos.
\[\text{Valor Máximo} = \text{max}(x)\]
# Suponiendo que Diabetes1 es tu conjunto de datos
Diabetes1 <- diabetes_clean[, c("BMI", "Sleep", "SoundSleep", "Pregancies")]
# Calcular el valor máximo de cada variable
maximos <- apply(Diabetes1, 2, max)
# Imprimir los valores máximos
print(maximos)## BMI Sleep SoundSleep Pregancies
## 42 11 11 4Interpretación:
BMI (Índice de Masa Corporal):
El valor máximo para BMI es 42. Indica el valor más alto observado en el conjunto de datos para el índice de masa corporal. Este valor máximo, 42 rep,resenta el extremo superior de las medidas de índice de masa corporal.
Sleep (Horas de Sueño):
El valor máximo para Sleep es 11. Indica la mayor cantidad de horas de sueño registrada en el conjunto de datos. Este valor máximo, 11, sugiere que algunas observaciones en el conjunto de datos tuvieron una cantidad considerablemente alta de horas de sueño.
SoundSleep (Horas de Sueño Profundo):
El valor máximo para SoundSleep es 11. Representa la mayor cantidad de horas de sueño profundo observada en los datos. Este valor máximo, 11, indica que algunas observaciones experimentaron una cantidad significativamente alta de horas de sueño profundo.
Pregnancies (Embarazos):
El valor máximo para Pregancies es 4. Indica la mayor cantidad de embarazos registrada en el conjunto de datos. Este valor máximo, 4, sugiere que algunas observaciones tuvieron un número relativamente alto de embarazos.
GRÁFICA DE BARRAS
Relación con (género, edad, actividad física y consumo de comida chatarra)
Género (gender)
library(ggplot2)
grafico_Gender = ggplot(diabetes_clean,aes(x=Gender))+
geom_bar(stat="count", width=0.7, fill="skyblue")+
theme_minimal()
print(grafico_Gender)
Interpretación:
Se puede observar que en la base de datos de los pacientes con diabetes de la variable Gender(Género), el género masculino osea los hombres presentan mayor sintomas de diabetes.
Edad (age)
grafico_Age = ggplot(diabetes_clean,aes(x=Age))+
geom_bar(stat="count", width=0.7, fill="orange")+
theme_minimal()
print(grafico_Age)
Interpretación:
Se puede observar que en la base de datos de los pacientes con diabetes de la variable Age(Edad), sea femenino y masculino los pacientes de 40-49, 50-59, 60 años o mas y menos de 40 el mayor sintomas de diabetes se presenta a una edad, que se podría decir temprana es de menores de 40, por muchos factores.
Actividad Física (PhysicallyActive)
grafico_P = ggplot(diabetes_clean,aes(x=PhysicallyActive))+
geom_bar(stat="count", width=0.7, fill="green")+
theme_minimal()
print(grafico_P)
Interpretación:
Se puede observar que en la base de datos de los pacientes con diabetes de la variable Actividad Física (PhysicallyActive), sea femenino y masculino los pacientes que realizan una hora o más, nunca, más de media hora y menos de media hora, se puede ver que las personas que realizan una hora o más intentan controlar las diabetes.
JunkFood (Comida Chatarra)
grafico_C =ggplot(diabetes_clean,aes(x=JunkFood))+
geom_bar(stat="count", width=0.7, fill="pink")+
theme_minimal()
print(grafico_C)
Interpretación:
Se puede observar que en la base de datos de los pacientes con diabetes de la variable JunkFood (Comida Chatarra), las personas que comen una comida, a menudo, ocasionalmente, casi nunca y siempre, se puede observar que la mayor parte de ellos que ocasionalmente comen comida chatarra tienden a presentar mayor síntomas de diabetes.
GRÁFICO DE DISPERSIÓN
Masa Corporal y Horas de Sueño (BMI and Sleep)
ggplot(diabetes_clean, aes(x = BMI, y = Sleep, col = factor(Sleep))) +
geom_point() +
labs(title = "Relación entre BMI y Horas de Sueño",
x = "Masa Corporal (BMI)",
y = "Horas de Sueño")
Interpretación
En el Eje x (BMI) se representa el Índice de Masa Corporal (BMI) donde cada punto en el gráfico está ubicado en el valor correspondiente de BMI. En el eje y (Sleep) representa el número de horas de sueño, donde cada punto en el gráfico está ubicado en el valor correspondiente de horas de sueño. Los puntos en el gráfico están coloreados según la variable Sleep el nivel del sueño. Donde se puede visualizar cómo se distribuyen los puntos en función de las categorías de horas de sueño se puede ver una mayor distribución o relación, entre las masa corporal de 20 a 30 en función de las horas de sueño que va desde las 6 horas hasta las 8 horas.
Masa Corporal y Horas de Sueño Profundo (BMI and Sound Sleep)
ggplot(diabetes_clean, aes(x = BMI, y = SoundSleep, col = factor(SoundSleep))) +
geom_point() +
labs(title = "Relación entre BMI y Horas de Sueño Profundo",
x = "Masa Corporal (BMI)",
y = "Horas de Sueño Profundo (SoundSleep")
Interpretación
En el Eje x (BMI) se representa el Índice de Masa Corporal (BMI) donde cada punto en el gráfico está ubicado en el valor correspondiente de BMI. En el eje y (SoundSleep) representa el número de horas de sueño profundo, donde cada punto en el gráfico está ubicado en el valor correspondiente de horas de sueño profundo. Los puntos en el gráfico están coloreados según la variable SoundSleep el nivel del sueño Profundo. Donde se puede visualizar cómo se distribuyen los puntos en función de las categorías de horas de sueño se puede ver una mayor distribución o relación, entre las masa corporal de 10 a 35 en función de las horas de sueño profundo que va desde las 5 horas hasta las 6 horas, ya que que el índice de masa corporal no estan elevada las horas de sueño a profundidad no estan alta se podría decir que en nivel de relación es normal.
Masa Corporal y Embarazos (BMI and Pregancies)
ggplot(diabetes_clean, aes(x = BMI, y = Pregancies, col = factor(Pregancies))) +
geom_point() +
labs(title = "Relación entre BMI y los Embarazos",
x = "Masa Corporal (BMI)",
y = "Embarazos")
Interpretación
En el Eje x (BMI) se representa el Índice de Masa Corporal (BMI) donde cada punto en el gráfico está ubicado en el valor correspondiente de BMI. En el eje y (Pregancies) representa el número de embarazos, donde cada punto en el gráfico está ubicado en el valor correspondiente de embarazos. Los puntos en el gráfico están coloreados según la variable Pregancies los embarazos. Se puede observar que o decir que cuando un persona (mujer), esta embarazada tiende a tener un BMI algo alto como se ve en la gráfica ya que esta elevada desde los 20 hasta los 40 pero como los valores aumnetan los embarazos se ven menos por que esta en el intervalo de 0.
Horas de Sueño y Embarazos (Sleep and Pregancies)
ggplot(diabetes_clean, aes(x = Sleep, y = Pregancies, col = factor(Pregancies))) +
geom_point() +
labs(title = "Relación entre Sleep y los Embarazos",
x = "Horas de sueño (Sleeo)",
y = "Embarazos (Pregancies")
Interpretación
Se puede observar que mientras hay embarazos con sintomas de diabetes que tanto pueden dormir y hay un intervalo de embarazos de 2 a 3 hay mayor profundidad de sueño ya que se pueden sentir cansados y por la tanto descansan más.
BIBLIOGRAFÍA
Comunicarse con los demás - al vivir con una enfermedad crónica: MedlinePlus Enciclopedia Médica. (s. f.). https://medlineplus.gov/spanish/ency/patientinstructions/000602.htm