TRABAJO EN CLASE
JOHANA BRAVO
2023-12-12
IMPORTACION DE LIBRERIAS
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.2library(gridExtra)IMPORTACION DE LA BASE
diabetes2 <- read.csv("diabetes2.txt", sep=";")
View(diabetes2)
head(diabetes2) 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
907 less than 40 Male yes no more than half an hr 19 yes
582 60 or older Male no no more than half an hr 23 no
726 40-49 Male no no less than half an hr 26 yes
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
907 yes 7 5 no occasionally not at all normal
582 yes 7 6 yes occasionally very often high
726 no 8 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 no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much noINTRODUCION La diabetes tipo 2 representa un desafío global de salud pública con consecuencias significativas para la calidad de vida de millones de personas. La prevalencia en constante aumento y las implicaciones en términos de morbimortalidad hacen imperativo desarrollar enfoques eficaces para la detección temprana y la gestión efectiva de esta enfermedad crónica. En este contexto, el uso de métodos avanzados de clasificación de aprendizaje automático se presenta como una herramienta prometedora para mejorar la precisión en la predicción de la diabetes tipo 2.
La elección de métodos de clasificación específicos, como Support Vector Machines (SVM), Random Forest, Gradient Boosting, y Redes Neuronales, se fundamenta en su capacidad para manejar conjuntos de datos complejos y extraer patrones no lineales, características esenciales en el análisis de datos médicos. La comparación y evaluación de estos métodos permitirán identificar cuál ofrece el rendimiento más óptimo para el propósito de este estudio.
La calidad de los datos es un elemento crítico en la efectividad de los modelos de aprendizaje automático. En este sentido, se prestará especial atención a la selección y preparación de conjuntos de datos representativos, considerando variables relevantes como la historia clínica, factores genéticos, y hábitos de vida. Además, se implementarán técnicas de validación cruzada y otras estrategias de evaluación para garantizar la fiabilidad y generalización de los modelos desarrollados.
DESCRICION DE LAS VARIABLES
Edad Tipo: Numérica. Descripción: La edad del individuo en años. La diabetes tipo 2 tiende a aumentar con la edad, y este factor es esencial para evaluar el riesgo.
Índice de Masa Corporal (IMC): Tipo: Numérica. Descripción: El IMC, calculado a partir del peso y la altura del individuo, es un indicador de la obesidad. La obesidad está fuertemente asociada con la diabetes tipo 2.
Nivel de Glucosa en Ayunas: Tipo: Numérica. Descripción: La concentración de glucosa en la sangre después de un período de ayuno. Valores elevados pueden indicar resistencia a la insulina y predispone al individuo a la diabetes tipo 2.
Presión Arterial: Tipo: Numérica. Descripción: La presión arterial sistólica y diastólica, medidas en mmHg. La hipertensión arterial es un factor de riesgo independiente para la diabetes tipo 2.
Historial Familiar de Diabetes: Tipo: Categórica (Sí/No). Descripción: Indica si hay antecedentes familiares de diabetes tipo 2. La genética desempeña un papel crucial en la predisposición a la enfermedad.
6.Actividad Física: Tipo: Categórica (Baja/Moderada/Alta). Descripción: Nivel de actividad física regular del individuo. La falta de actividad física está vinculada a un mayor riesgo de diabetes tipo 2.
7.Consumo de Alcohol: Tipo: Categórica (Bajo/Moderado/Alto). Descripción: La cantidad de alcohol consumida regularmente por el individuo. El consumo excesivo puede aumentar el riesgo de diabetes tipo 2.
Tabaquismo: Tipo: Categórica (Sí/No). Descripción: Indica si el individuo es fumador. El tabaquismo se ha asociado con un mayor riesgo de diabetes tipo 2.
Niveles de Colesterol: Tipo: Numérica. Descripción: Concentración de colesterol total, HDL (lipoproteínas de alta densidad) y LDL (lipoproteínas de baja densidad). Desórdenes en estos niveles están relacionados con la diabetes tipo 2.
Historial de Enfermedades Cardíacas: Tipo: Categórica (Sí/No). Descripción: Indica si el individuo tiene antecedentes de enfermedades cardíacas. Las enfermedades cardíacas y la diabetes tipo 2 comparten factores de riesgo comunes.
Niveles de Insulina: Tipo: Numérica. Descripción: Concentración de insulina en la sangre. La resistencia a la insulina es una característica clave en el desarrollo de la diabetes tipo 2.
Conversion de la variable edad
diabetes2$Age=factor(diabetes2$Age)
levels(diabetes2$Age)=c("40-49","50-59","60 or older","less than 40")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Male yes no one hr or more 22 no
258 less than 40 Male yes no one hr or more 22 no
511 60 or older Female yes no none 26 no
907 less than 40 Male yes no more than half an hr 19 yes
582 60 or older Male no no more than half an hr 23 no
726 40-49 Male no no less than half an hr 26 yes
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 no 8 6 no often not at all normal
258 no 8 6 no often not at all normal
511 no 7 7 no occasionally sometimes normal
907 yes 7 5 no occasionally not at all normal
582 yes 7 6 yes occasionally very often high
726 no 8 7 no occasionally sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable GENERO
diabetes2$Gender=factor(diabetes2$Gender)
levels(diabetes2$Gender)=c("Male","Female")
head(diabetes2)## Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
## 20 less than 40 Female yes no one hr or more 22 no
## 258 less than 40 Female yes no one hr or more 22 no
## 511 60 or older Male yes no none 26 no
## 907 less than 40 Female yes no more than half an hr 19 yes
## 582 60 or older Female no no more than half an hr 23 no
## 726 40-49 Female no no less than half an hr 26 yes
## 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
## 907 yes 7 5 no occasionally not at all normal
## 582 yes 7 6 yes occasionally very often high
## 726 no 8 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 no
## 907 0 0 not much no
## 582 0 0 quite often yes
## 726 0 0 not much no#Conversion de la variable FAMILIA DIABETES
diabetes2$Family_Diabetes=factor(diabetes2$Family_Diabetes)
levels(diabetes2$Family_Diabetes)=c("yes","no")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no no one hr or more 22 no
258 less than 40 Female no no one hr or more 22 no
511 60 or older Male no no none 26 no
907 less than 40 Female no no more than half an hr 19 yes
582 60 or older Female yes no more than half an hr 23 no
726 40-49 Female yes no less than half an hr 26 yes
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 no 8 6 no often not at all normal
258 no 8 6 no often not at all normal
511 no 7 7 no occasionally sometimes normal
907 yes 7 5 no occasionally not at all normal
582 yes 7 6 yes occasionally very often high
726 no 8 7 no occasionally sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable hipBP
diabetes2$highBP=factor(diabetes2$highBP)
levels(diabetes2$highBP)=c("yes","no")
head(diabetes2)## Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
## 20 less than 40 Female no yes one hr or more 22 no
## 258 less than 40 Female no yes one hr or more 22 no
## 511 60 or older Male no yes none 26 no
## 907 less than 40 Female no yes more than half an hr 19 yes
## 582 60 or older Female yes yes more than half an hr 23 no
## 726 40-49 Female yes yes less than half an hr 26 yes
## 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
## 907 yes 7 5 no occasionally not at all normal
## 582 yes 7 6 yes occasionally very often high
## 726 no 8 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 no
## 907 0 0 not much no
## 582 0 0 quite often yes
## 726 0 0 not much no#Conversion de la variable PhysicallyActive
diabetes2$PhysicallyActive=factor(diabetes2$PhysicallyActive)
levels(diabetes2$PhysicallyActive)=c("less than half an hr","More than half an hr","none","one hr or more")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 no
258 less than 40 Female no yes one hr or more 22 no
511 60 or older Male no yes none 26 no
907 less than 40 Female no yes More than half an hr 19 yes
582 60 or older Female yes yes More than half an hr 23 no
726 40-49 Female yes yes less than half an hr 26 yes
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 no 8 6 no often not at all normal
258 no 8 6 no often not at all normal
511 no 7 7 no occasionally sometimes normal
907 yes 7 5 no occasionally not at all normal
582 yes 7 6 yes occasionally very often high
726 no 8 7 no occasionally sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable Smoking
diabetes2$Smoking=factor(diabetes2$Smoking)
levels(diabetes2$Smoking)=c("yes","no")
head(diabetes2)## Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
## 20 less than 40 Female no yes one hr or more 22 yes
## 258 less than 40 Female no yes one hr or more 22 yes
## 511 60 or older Male no yes none 26 yes
## 907 less than 40 Female no yes More than half an hr 19 no
## 582 60 or older Female yes yes More than half an hr 23 yes
## 726 40-49 Female yes yes less than half an hr 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
## 907 yes 7 5 no occasionally not at all normal
## 582 yes 7 6 yes occasionally very often high
## 726 no 8 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 no
## 907 0 0 not much no
## 582 0 0 quite often yes
## 726 0 0 not much no#Conversion de la variable Alcohol
diabetes2$Alcohol=factor(diabetes2$Alcohol)
levels(diabetes2$Alcohol)=c("yes","no")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 no often not at all normal
258 yes 8 6 no often not at all normal
511 yes 7 7 no occasionally sometimes normal
907 no 7 5 no occasionally not at all normal
582 no 7 6 yes occasionally very often high
726 yes 8 7 no occasionally sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable RegularMedicine
diabetes2$RegularMedicine=factor(diabetes2$RegularMedicine)
levels(diabetes2$RegularMedicine)=c("yes","no")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often not at all normal
258 yes 8 6 yes often not at all normal
511 yes 7 7 yes occasionally sometimes normal
907 no 7 5 yes occasionally not at all normal
582 no 7 6 no occasionally very often high
726 yes 8 7 yes occasionally sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much noConversion de la variable JunkFood
diabetes2$JunkFood=factor(diabetes2$JunkFood)
levels(diabetes2$JunkFood)=c("very often","
always","often","occasionally")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often not at all normal
258 yes 8 6 yes often not at all normal
511 yes 7 7 yes \t\nalways sometimes normal
907 no 7 5 yes \t\nalways not at all normal
582 no 7 6 no \t\nalways very often high
726 yes 8 7 yes \t\nalways sometimes normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much noConversion de la variable Stress
diabetes2$Stress=factor(diabetes2$Stress)
levels(diabetes2$Stress)=c("not at all","sometimes","very often","always")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often sometimes normal
258 yes 8 6 yes often sometimes normal
511 yes 7 7 yes \t\nalways very often normal
907 no 7 5 yes \t\nalways sometimes normal
582 no 7 6 no \t\nalways always high
726 yes 8 7 yes \t\nalways very often normal
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable BPLevel
diabetes2$BPLevel=factor(diabetes2$BPLevel)
levels(diabetes2$BPLevel)=c("normal","high","low")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often sometimes low
258 yes 8 6 yes often sometimes low
511 yes 7 7 yes \t\nalways very often low
907 no 7 5 yes \t\nalways sometimes low
582 no 7 6 no \t\nalways always normal
726 yes 8 7 yes \t\nalways very often low
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much no#Conversion de la variable UriationFreq
diabetes2$UriationFreq=factor(diabetes2$UriationFreq)
levels(diabetes2$UriationFreq)=c("not much","quite often")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often sometimes low
258 yes 8 6 yes often sometimes low
511 yes 7 7 yes \t\nalways very often low
907 no 7 5 yes \t\nalways sometimes low
582 no 7 6 no \t\nalways always normal
726 yes 8 7 yes \t\nalways very often low
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much no
258 0 0 not much no
511 3 0 not much no
907 0 0 not much no
582 0 0 quite often yes
726 0 0 not much nodiabetes2$Diabetic=factor(diabetes2$Diabetic)
levels(diabetes2$Diabetic)=c("yes","no")
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking
20 less than 40 Female no yes one hr or more 22 yes
258 less than 40 Female no yes one hr or more 22 yes
511 60 or older Male no yes none 26 yes
907 less than 40 Female no yes More than half an hr 19 no
582 60 or older Female yes yes More than half an hr 23 yes
726 40-49 Female yes yes less than half an hr 26 no
Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel
20 yes 8 6 yes often sometimes low
258 yes 8 6 yes often sometimes low
511 yes 7 7 yes \t\nalways very often low
907 no 7 5 yes \t\nalways sometimes low
582 no 7 6 no \t\nalways always normal
726 yes 8 7 yes \t\nalways very often low
Pregancies Pdiabetes UriationFreq Diabetic
20 0 0 not much yes
258 0 0 not much yes
511 3 0 not much yes
907 0 0 not much yes
582 0 0 quite often no
726 0 0 not much yesVERIFICACION DE NA
BASE_na <- is.na(diabetes2)
head(BASE_na) Age Gender Family_Diabetes highBP PhysicallyActive BMI Smoking Alcohol
20 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
258 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
511 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
907 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
582 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
726 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
Sleep SoundSleep RegularMedicine JunkFood Stress BPLevel Pregancies
20 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
258 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
511 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
907 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
582 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
726 FALSE FALSE FALSE FALSE FALSE FALSE FALSE
Pdiabetes UriationFreq Diabetic
20 FALSE FALSE FALSE
258 FALSE FALSE FALSE
511 FALSE FALSE FALSE
907 FALSE FALSE FALSE
582 FALSE FALSE FALSE
726 FALSE FALSE FALSECONVERSION A CLASSES
classes <- sapply(diabetes2, class)
for (variable in names(classes)) {
cat("Variable:", variable, " - Clase:", classes[variable], "\n")
classes
}Variable: Age - Clase: factor
Variable: Gender - Clase: factor
Variable: Family_Diabetes - Clase: factor
Variable: highBP - Clase: factor
Variable: PhysicallyActive - Clase: factor
Variable: BMI - Clase: integer
Variable: Smoking - Clase: factor
Variable: Alcohol - Clase: factor
Variable: Sleep - Clase: integer
Variable: SoundSleep - Clase: integer
Variable: RegularMedicine - Clase: factor
Variable: JunkFood - Clase: factor
Variable: Stress - Clase: factor
Variable: BPLevel - Clase: factor
Variable: Pregancies - Clase: integer
Variable: Pdiabetes - Clase: character
Variable: UriationFreq - Clase: factor
Variable: Diabetic - Clase: factor ANALISIS DESCRIPTIVO
MINIMO VALOR En un conjunto de datos es el número más pequeño o la observación más baja dentro de ese conjunto. Es uno de los resúmenes descriptivos básicos que ayuda a entender la gama o dispersión de los datos.
1st QU El primer quintil, también conocido como el quintil inferior o percentil 25, es el valor que separa el 20% inferior de un conjunto de datos ordenado de manera ascendente. En otras palabras, el primer quintil es el valor por debajo del cual cae el 25% de los datos. FORMULA \[Q1 = \frac{n+1}{4}\]
MEDIANA
La mediana es una medida de tendencia central en estadísticas que se utiliza para representar el valor central de un conjunto de datos. Para calcular la mediana, primero debes ordenar los datos de menor a mayor (o viceversa) y luego encontrar el valor que se encuentra exactamente en el centro de la distribución. FORMULA
NUMERO IMPAR DE DATOS
\[M = Valor de la posicion (\frac{n+1}{2})\] NUMERO PAR DE DATOS \[M = Suma de los valores en las posiciones (\frac{n}{2})\] MEDIA Es una medida que representa el valor típico o promedio de un conjunto de datos. Se calcula sumando todos los valores en el conjunto y dividiendo esa suma por el número total de elementos en el conjunto. FORMULA \[\bar{x} = \frac{\sum_{i=1_{}}^{N}xi}{N}\]
3RD QU Sefiere al valor que divide los tres cuartos superiores de un conjunto de datos ordenado. En términos más específicos, el tercer cuartil representa el valor por debajo del cual se encuentra el 75% de los datos. \[Q1 = 3\frac{n+1}{5}\] Para calcular el tercer cuartil, primero debes ordenar el conjunto de datos de menor a mayor. Luego, divides los datos en cuatro partes iguales, y el tercer cuartil es el valor que se encuentra en el límite entre el tercer y el cuarto cuartil. Matemáticamente, se suele denotar como Q3Q3. MAXIMO En un conjunto de datos se refiere al valor más grande o a la observación más alta dentro de ese conjunto.Calcular el valor máximo es útil para entender la variabilidad en un conjunto de datos y proporciona información sobre la parte superior de la distribución. Similar al valor mínimo, el valor máximo puede ser sensible a valores atípicos o extremos, ya que un solo valor extremadamente alto puede afectar significativamente el valor máximo.
CONVERSION A INTEGER
summary(diabetes2[,classes=="integer"]) 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. :4.0000 apply(diabetes2[,classes=="integer"],2,sd) BMI Sleep SoundSleep Pregancies
5.1399922 1.3042497 1.8435140 0.9090479 INTERPRETACION DE RESULTADOS
DESCRIPCION DE LA VARIABLE BMI
Observamos personas con un minimo de 15,00 de grosor de la piel y un maximo de 42 mm de grosol de la piel con un promedio de 25,33 mm grosor de la piel y una mediana de 24,00 de grosor
DESCRIPCION DE LA VARIABLE SLEEP
Observamos que las personas tienen sueño minimo 4 horas y un maximo de 11 horas, en promedio las personas tienen sueño casi 7 horas con una mediana de 7 horas, con un primer quiantil de 6 horas y un tercer quantil de 8 horas
DESCRIPCION DE LA VARIABLE SoundSleep
Observamos que las personas tiene sueño profundo minimo o horas y un maximo de 11 horas, en promedio las personas tienen sueño profundo 5 horaa con una mediana de 6horas, con un primer quiantil de 4 horas y un tercer quantil de 7 horas
DESCRIPCION DE LA VARIABLE Pregancies
Se observa un minimo de 0 personas enbarazadas y un maximo de 4 personas embarazadas con un promedio de 0,38 personas embarazadas y con un primer quiantil de 0 y tercer quantil de 0.
DIAGRAMA DE BARRAS(GENERO,AGE,ACTIVIDAD FISICA,COMIDA CHATARRA) VARIABLE GENERO
ggplot(diabetes2, aes(x = Gender)) +
geom_bar(fill = "skyblue") +
labs(x = "Gender", title = "VARIABLE GENERO") +
theme_minimal()
VARIABLE EDAD
ggplot(diabetes2, aes(x = Age)) +
geom_bar(fill = "skyblue") +
labs(x = "Age", title = "VARIABLE EDAD") +
theme_minimal()
DIAGRAMA DE DISPERSION (RELACION ENTRE BMI Y LAS HORAS DE SUEÑO)
qplot(BMI,Sleep, data = diabetes2, colour = Diabetic)Warning: `qplot()` was deprecated in ggplot2 3.4.0.
This warning is displayed once every 8 hours.
Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
generated.
PARA IDENTIFICAR SI PUEDE EXISTER PRESENCIA DE DIABETES O NO, CON LA INFLUENCIA DE ESTOS DOS FACTORES
INTERPRETACION
En la grafica se observa que no presenta tendencia de diabetes en cambio existe presencia de diabetes pero muy poco entre las dos variables sueño y grosol de la piel, pero si puede aver presencia de diabetes en personas exepcionales.
IDENTIFICAR QUE OTROS FACTORES PUEDEN INFLUIR EN LA PRESENCIA DE DIABETES
##DIAGRAMA DE DISPERSION (PhysicallyActive y Smoking )
qplot(PhysicallyActive
,Smoking, data = diabetes2, colour = Diabetic)
INTERPRETACION En la grafica se observa que no presenta tendencia de
diabetes en cambio existe presencia de diabetes pero muy escasa, entre
las realizar ejercicio y fumar, La influencia del ejercicio y el hábito
de fumar en la diabetes tipo 2 es significativa, ya que al realizar
ejercicio ayuda a la mejora de la sensibilidad a la insulina y la
regulacion de los niveles de glucosa
##DIAGRAMA DE DISPERSION (RELACION ENTRE Edad y ALcocol)
qplot(Age,Alcohol, data = diabetes2, colour = Diabetic)
INTERPRETACION Se observa que npo existe tendencia a a diabetes ya que
las personas de las edades encuestadas no son propensar a tener diabetes
por consumir alcochol.
##DIAGRAMA DE DISPERSION (RELACION ENTRE ESTRES Y COMIDA CHATARRA)
qplot(JunkFood,Stress, data = diabetes2, colour = Diabetic)
INTERPRETACION Se observa que no existe tendencia a diabetes,solo existe
un poco de tendencia entre la variable estres y comida chatarra a tener
deabetes.
##DIAGRAMA DE DISPERSION (ESTRES Y INGESTA DE MEDICAMENTOS)
qplot(Stress,RegularMedicine, data = diabetes2, colour = Diabetic)
INTERPRETACION Se observa que no existe tendencia a diabetes,solo existe un poco de tendencia entre la variable estres y ingesta de medicamento,pero puede ser que la disminuicion de ingesta de medicamento producca deabetes.
##DIAGRAMA DE DISPERSION (ESTRES Y INGESTA DE MEDICAMENTOS)
qplot(Alcohol,BPLevel, data = diabetes2, colour = Diabetic)
INTERPRETACION Se observa que no existe tendencia a diabetes,solo existe un poco de tendencia entre la variable embarazo y alcochol, por lo que se puede decir que muchas personas que estan embaradas no consumen alcohol.
Diabetic <- diabetes2$Diabetic
BMI <- diabetes2$BMI
P1 <- ggplot(diabetes2, aes(x=Diabetic,
y=BMI, color=Diabetic))+
geom_boxplot()
P1
INTERPRETACION El eje x representa los niveles de la Diabetic variable.
El eje y representa los valores de la BMI variable. Boxplots se utilizan
para mostrar la distribución de la BMIvalores para cada nivel La caja de
la parcela representa la gama intercuartátil (IQR) de la BMIvalores para
cada grupo, con una línea dentro de la caja que representa la
mediana.Los batinadores se extienden desde la caja para mostrar el rango
de los datos, y los puntos más allá de los bigotes pueden ser
considerados como atístes. No se presenta amyor variabilidad en los
datos.
Diabetic <- diabetes2$Diabetic
Sleep <- diabetes2$Sleep
P2 <- ggplot(diabetes2, aes(x=Diabetic,
y=Sleep, color=Diabetic))+
geom_boxplot()
P2
Los los boxplot La mediana y los cuartiles (Q1 y Q3) son iguales o muy
cercanos entre los dos conjuntos de datos. La longitud de las cajas y
los bigotes es comparable, indicando una dispersión similar de los
datos.La posición relativa de las medianas en las cajas es similar, lo
que significa que la tendencia central de los dos conjuntos de datos es
comparable. La variabilidad en ambos conjuntos de datos es parecida, ya
que la longitud de las cajas y los bigotes es similar.No hay heno
Evidencia de Diferencias Significativas
Diabetic <- diabetes2$Diabetic
SoundSleep <- diabetes2$SoundSleep
P3 <- ggplot(diabetes2, aes(x=Diabetic,
y=SoundSleep, color=Diabetic))+
geom_boxplot()
P3
Los los boxplot La mediana y los cuartiles (Q1 y Q3) son iguales o muy
cercanos entre los dos conjuntos de datos. La longitud de las cajas y
los bigotes es comparable, indicando una dispersión similar de los
datos.La posición relativa de las medianas en las cajas es similar, lo
que significa que la tendencia central de los dos conjuntos de datos es
comparable. La variabilidad en ambos conjuntos de datos es parecida, ya
que la longitud de las cajas y los bigotes es similar.No hay heno
Evidencia de Diferencias Significativas
Diabetic <- diabetes2$Diabetic
Pregancies <- diabetes2$Pregancies
P4 <- ggplot(diabetes2, aes(x=Diabetic,
y=Pregancies, color=Diabetic))+
geom_boxplot()
P4
INTERPRETACION Las medianas y los cuartiles (Q1 y Q3) son diferentes
entre los dos conjuntos de datos.La longitud de las cajas y los bigotes
es significativamente diferente, indicando una dispersión diferente de
los datos. La posición relativa de las medianas en las cajas es
diferente, lo que sugiere diferencias en la tendencia central de los dos
conjuntos de datos.Puntos fuera de los bigotes (valores atípicos) pueden
ser más prominentes en uno de los grupos, indicando diferencias en la
cola de la distribución.La forma general de la distribución, como la
simetría o asimetría, puede ser diferente.La variabilidad en términos de
dispersión y rango intercuartílico puede ser claramente distinta.
RELACION ENTRE LA VARIABLE BINARTIA Y LAS VARIABLES NOMINALES
library(htmltools)Warning: package 'htmltools' was built under R version 4.3.2library(ggmosaic)Warning: package 'ggmosaic' was built under R version 4.3.2q1 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,Gender),fill = Diabetic))+ labs(x="Gender", title = "factores diabetes")
q1Warning: `unite_()` was deprecated in tidyr 1.2.0.
ℹ Please use `unite()` instead.
ℹ The deprecated feature was likely used in the ggmosaic package.
Please report the issue at <https://github.com/haleyjeppson/ggmosaic>.
This warning is displayed once every 8 hours.
Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
generated.
q2 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,Smoking),fill = Diabetic))+ labs(x="Smoking", title = "factores diabetes")
q2
q3 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,Alcohol),fill = Diabetic))+ labs(x="Alcohol", title = "factores diabetes")
q3
q4 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,Family_Diabetes),fill = Diabetic))+ labs(x="Family_Diabetes", title = "factores diabetes")
q4
q5 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,highBP),fill = Diabetic))+ labs(x="highBP", title = "factores diabetes")
q5
q6 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,PhysicallyActive),fill = Diabetic))+ labs(x="PhysicalluActive", title = "factores diabetes")
q6
q7 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic,RegularMedicine),fill = Diabetic))+ labs(x="RegularMedicine", title = "factores diabetes")
q7
q8 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic, JunkFood),fill = Diabetic))+ labs(x="junkfood", title = "factores diabetes")
q8
q9 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic, Stress),fill = Diabetic))+ labs(x="stress", title = "factores diabetes")
q9
q10 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic, BPLevel),fill = Diabetic))+ labs(x="BPlevel", title = "factores diabetes")
q10
q11 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic, UriationFreq),fill = Diabetic))+ labs(x="UriationFreq", title = "factores diabetes")
q11
q12 <- ggplot(data = diabetes2)+geom_mosaic(aes(x = product(Diabetic, Diabetic),fill = Diabetic))+ labs(x="diabetic", title = "factores diabetes")
q12
gridfunction (nx = NULL, ny = nx, col = "lightgray", lty = "dotted",
lwd = par("lwd"), equilogs = TRUE)
{
if (is.null(nx) || (!is.na(nx) && nx >= 1)) {
log <- par("xlog")
if (is.null(nx)) {
ax <- par("xaxp")
if (log && equilogs && ax[3L] > 0)
ax[3L] <- 1
at <- axTicks(1, axp = ax, log = log)
}
else {
U <- par("usr")
at <- seq.int(U[1L], U[2L], length.out = nx + 1)
at <- (if (log)
10^at
else at)[-c(1, nx + 1)]
}
abline(v = at, col = col, lty = lty, lwd = lwd)
}
if (is.null(ny) || (!is.na(ny) && ny >= 1)) {
log <- par("ylog")
if (is.null(ny)) {
ax <- par("yaxp")
if (log && equilogs && ax[3L] > 0)
ax[3L] <- 1
at <- axTicks(2, axp = ax, log = log)
}
else {
U <- par("usr")
at <- seq.int(U[3L], U[4L], length.out = ny + 1)
at <- (if (log)
10^at
else at)[-c(1, ny + 1)]
}
abline(h = at, col = col, lty = lty, lwd = lwd)
}
}
<bytecode: 0x0000024a3be74738>
<environment: namespace:graphics>grid.arrange(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12,nrow = 4, ncol =4)
INTERPRETACION Se observa en todos los graficos de las variables
nominales que no existe presencia de biabetes en ninguno de los
factores, todos los factores no influyen a contrater diabetes, algunas
variables nominales son demasiadas lejanas a contraer diabetes como por
ejemplo tenemos la variable nominal estres, no influye a contraer
diabetes.
GRAFICO MULTIVARIANTE
library(GGally)Warning: package 'GGally' was built under R version 4.3.2Registered S3 method overwritten by 'GGally':
method from
+.gg ggplot2
Attaching package: 'GGally'The following object is masked from 'package:ggmosaic':
happyggpairs(diabetes2[,classes=="integer"]) + theme_bw()
INTERPRETACION Se observa que las tres variables influyen en en indice
de masa corporal, estas influyen directamente y se ve el nivel de
correlacion, igual entre las horas de sueño y el BMI , no existe
relacion entre baja entre el sueño y los embarazos ,
p <- ggpairs(diabetes2[,c(which(classes=="integer"),18)], aes(color = diabetes2$Diabetic)) + theme_bw()
for (i in 1:p$nrow) {
for (j in 1:p$ncol) {
p[i,j] <- p[i,j] +
scale_fill_manual(values = c("#000AEB","#E7B800")) +
scale_color_manual(values = c("#000AEB","#E7B800"))
}
}
p`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
INTERPRETACION En el grafico observamos boxplot de las cuatro variables
numericas , el diagra,a de cajas la relacion y correlacion entre las
variables numericas, ademas observamos que las tres variables influyen
en en indice de masa corporal, estas influyen directamente y se ve el
nivel de correlacion, igual entre las horas de sueño y el BMI , no
existe relacion entre baja entre el sueño y los embarazos ,
Dividiremos el conjunto completo de individuos en dos partes . un apara entrenar el modelo, que contiene el 80% de los individuos y otra para validarlo que contiene el resto. E sto es que usamos para ajustarlo, la bondad del ajuste quedara sobrevalorada. Antes de ajustar cualquier modelo, es conveniente escalar las variables numericas y tenemos que reacondicionar las variables categoricas convirtiendolas en variables ficticias y usando la primera o la ultima categorica como comparacion.
Una variable ficticia es va a tomar valores de cero o de uno para representar cATEGORIAS O REPRESENTA UNA CONDICIION, SE UTILIZA EN ANALISI DE REGRESION para incomporar informacion cualitativa en terminos cuantitativos,
diabetes2[,classes=="integer"]=scale(diabetes2[,classes=="integer"])
head(diabetes2) Age Gender Family_Diabetes highBP PhysicallyActive BMI
20 less than 40 Female no yes one hr or more -0.6487242
258 less than 40 Female no yes one hr or more -0.6487242
511 60 or older Male no yes none 0.1294871
907 less than 40 Female no yes More than half an hr -1.2323826
582 60 or older Female yes yes More than half an hr -0.4541713
726 40-49 Female yes yes less than half an hr 0.1294871
Smoking Alcohol Sleep SoundSleep RegularMedicine JunkFood Stress
20 yes yes 0.78534240 0.2119477 yes often sometimes
258 yes yes 0.78534240 0.2119477 yes often sometimes
511 yes yes 0.01861803 0.7543900 yes \t\nalways very often
907 no no 0.01861803 -0.3304947 yes \t\nalways sometimes
582 yes no 0.01861803 0.2119477 no \t\nalways always
726 no yes 0.78534240 0.7543900 yes \t\nalways very often
BPLevel Pregancies Pdiabetes UriationFreq Diabetic
20 low -0.4201082 0 not much yes
258 low -0.4201082 0 not much yes
511 low 2.8800479 0 not much yes
907 low -0.4201082 0 not much yes
582 normal -0.4201082 0 quite often no
726 low -0.4201082 0 not much yesx=model.matrix(Diabetic~., diabetes2)
head(x) (Intercept) Age50-59 Age60 or older Ageless than 40 GenderFemale
20 1 0 0 1 1
258 1 0 0 1 1
511 1 0 1 0 0
907 1 0 0 1 1
582 1 0 1 0 1
726 1 0 0 0 1
Family_Diabetesno highBPno PhysicallyActiveMore than half an hr
20 1 0 0
258 1 0 0
511 1 0 0
907 1 0 1
582 0 0 1
726 0 0 0
PhysicallyActivenone PhysicallyActiveone hr or more BMI Smokingno
20 0 1 -0.6487242 0
258 0 1 -0.6487242 0
511 1 0 0.1294871 0
907 0 0 -1.2323826 1
582 0 0 -0.4541713 0
726 0 0 0.1294871 1
Alcoholno Sleep SoundSleep RegularMedicineno JunkFood\t\nalways
20 0 0.78534240 0.2119477 0 0
258 0 0.78534240 0.2119477 0 0
511 0 0.01861803 0.7543900 0 1
907 1 0.01861803 -0.3304947 0 1
582 1 0.01861803 0.2119477 1 1
726 0 0.78534240 0.7543900 0 1
JunkFoodoften JunkFoodoccasionally Stresssometimes Stressvery often
20 1 0 1 0
258 1 0 1 0
511 0 0 0 1
907 0 0 1 0
582 0 0 0 0
726 0 0 0 1
Stressalways BPLevelhigh BPLevellow Pregancies Pdiabetesyes
20 0 0 1 -0.4201082 0
258 0 0 1 -0.4201082 0
511 0 0 1 2.8800479 0
907 0 0 1 -0.4201082 0
582 1 0 0 -0.4201082 0
726 0 0 1 -0.4201082 0
UriationFreqquite often
20 0
258 0
511 0
907 0
582 1
726 0Observara que las variables numericas reescaladas contienen mismos valores iniciales.Cada una de las variables nominales ha sido convetida en variables binarias.El numero de variables binarias es siempre el numero de categorias de la variable nomenal.Por ejemplo, la variable Grender ( don dos categorias) ha sido conveetida en Gender Male que es una variable numerica que vale 1 caundo el sexo es hombre y o cuando es mujer.El resto de variables tambien son convertidas a binarias con el numero de categorias que cada una almacena.Los parametros correspondientes a las categorias retenidascomparan a estas con la categoria eliminada. Dividiremos el conjunto completo de insividuos en dos partes un para entrenar el modelo , que contiene el 60 % de los individuos y otra para validarlo que contiene 40% de individuos.Esto es asi porque si valoramos el modelo con las mismas observaciones
tr=round(nrow(diabetes2)*0.7)
set.seed(06071981)
muestra=sample.int(nrow(diabetes2),tr)
Train.diabet=diabetes2[muestra,]
Val.diabet=diabetes2[-muestra,]Prediccion de las diabetes (biniaria y variables que influyenn en la misma)
Modeloa de clasisficacion
Regresion logistica
Trataremos de modelar la probalidad de Biabetes positiva en funciondel restp de las variables
El modelo logistico es
gfit1<- glm(diabetes2$Diabetic~.,diabetes2,family=binomial)
summary(gfit1)
Call:
glm(formula = diabetes2$Diabetic ~ ., family = binomial, data = diabetes2)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.77088 1.08160 -2.562 0.010412 *
Age50-59 0.41120 0.36291 1.133 0.257177
Age60 or older 1.62408 0.41602 3.904 9.47e-05 ***
Ageless than 40 -1.68936 0.43244 -3.907 9.36e-05 ***
GenderFemale 0.48706 0.37089 1.313 0.189105
Family_Diabetesno 1.00920 0.25459 3.964 7.37e-05 ***
highBPno -0.85083 0.38970 -2.183 0.029013 *
PhysicallyActiveMore than half an hr 0.55514 0.36247 1.532 0.125639
PhysicallyActivenone 0.85532 0.38718 2.209 0.027165 *
PhysicallyActiveone hr or more 1.68317 0.37751 4.459 8.25e-06 ***
BMI 0.17735 0.12090 1.467 0.142372
Smokingno 1.15528 0.50424 2.291 0.021955 *
Alcoholno 0.09689 0.36237 0.267 0.789187
Sleep 0.05861 0.15561 0.377 0.706443
SoundSleep 0.39536 0.18442 2.144 0.032045 *
RegularMedicineno 2.97844 0.30926 9.631 < 2e-16 ***
JunkFood\t\nalways 0.08808 0.84774 0.104 0.917245
JunkFoodoften 0.25582 0.83663 0.306 0.759775
JunkFoodoccasionally 0.04005 0.97557 0.041 0.967253
Stresssometimes -0.03269 0.51891 -0.063 0.949776
Stressvery often -0.53932 0.39565 -1.363 0.172845
Stressalways -0.32951 0.45855 -0.719 0.472393
BPLevelhigh -15.08888 758.75534 -0.020 0.984134
BPLevellow -1.47618 0.39038 -3.781 0.000156 ***
Pregancies 0.32210 0.14874 2.165 0.030350 *
Pdiabetesyes 4.01652 0.88504 4.538 5.67e-06 ***
UriationFreqquite often 0.43749 0.31153 1.404 0.160219
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 1091.56 on 905 degrees of freedom
Residual deviance: 491.38 on 879 degrees of freedom
AIC: 545.38
Number of Fisher Scoring iterations: 16INTERPRETACION Utilizando la funcion glm nos arroja una estaimacion en donde observamos que los coeficientes de regresion mas significativos o que influyen en la variable diabetes son : Age60 or older;Ageless than 40;Family_Diabetesno ;PhysicallyActiveone hr or more;RegularMedicineno ;BPLevellow;Pdiabetesyes ; y las variables que no influyen en la diabetes son Alcoholno;Sleep ;JunkFood…ect
gfit1<- glm(Diabetic~.,Train.diabet,family=binomial)
summary(gfit1)
Call:
glm(formula = Diabetic ~ ., family = binomial, data = Train.diabet)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.74808 1.35203 -1.293 0.196034
Age50-59 0.59254 0.44817 1.322 0.186121
Age60 or older 1.61215 0.51190 3.149 0.001637 **
Ageless than 40 -1.74882 0.55125 -3.172 0.001511 **
GenderFemale 0.75499 0.45562 1.657 0.097504 .
Family_Diabetesno 1.10014 0.31700 3.470 0.000520 ***
highBPno -1.34930 0.49038 -2.752 0.005932 **
PhysicallyActiveMore than half an hr 0.96937 0.43039 2.252 0.024303 *
PhysicallyActivenone 1.24248 0.47769 2.601 0.009295 **
PhysicallyActiveone hr or more 1.65601 0.47098 3.516 0.000438 ***
BMI 0.14903 0.15708 0.949 0.342734
Smokingno 1.46818 0.66524 2.207 0.027315 *
Alcoholno -0.93616 0.47709 -1.962 0.049737 *
Sleep 0.13708 0.19196 0.714 0.475149
SoundSleep 0.24377 0.21826 1.117 0.264053
RegularMedicineno 3.18194 0.40577 7.842 4.44e-15 ***
JunkFood\t\nalways -0.59620 1.07235 -0.556 0.578226
JunkFoodoften -0.68203 1.07406 -0.635 0.525426
JunkFoodoccasionally -0.80432 1.23186 -0.653 0.513799
Stresssometimes -0.09684 0.67129 -0.144 0.885297
Stressvery often -0.66670 0.51982 -1.283 0.199650
Stressalways -0.76141 0.59579 -1.278 0.201255
BPLevelhigh -15.55245 882.82314 -0.018 0.985945
BPLevellow -1.88079 0.48717 -3.861 0.000113 ***
Pregancies 0.41274 0.18751 2.201 0.027727 *
Pdiabetesyes 5.09625 1.16804 4.363 1.28e-05 ***
UriationFreqquite often 0.41012 0.39058 1.050 0.293711
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 784.15 on 633 degrees of freedom
Residual deviance: 333.17 on 607 degrees of freedom
AIC: 387.17
Number of Fisher Scoring iterations: 16INTERPRETACION Utilizando la funcion glm nos arroja una estimacion en donde observamos que los coeficientes de regresion mas significativos o que influyen en la variable diabetes son : Age60 or older;Family_Diabetesno;SoundSleep ;RegularMedicineno y las variables que menos influyen en la diabetes es JunkFood;JunkFoodoften ;JunkFoodoccasionally;BPLevelhigh;highBPno;PhysicallyActivenone ;GenderFemale adicinal podemos que con Train solo se toma el 60% de los datos observando que el intercepto (Diabetic) es altamente significativo en las variables antes ,mencionadas
ANALISIS ANOVA
gfit0=glm(diabetes2$Diabetic~1, data = diabetes2,family = binomial)
anova(gfit0,gfit1, test = "Chisq")Warning in anova.glmlist(c(list(object), dotargs), dispersion = dispersion, :
models with response '"Diabetic"' removed because response differs from model 1Analysis of Deviance Table
Model: binomial, link: logit
Response: diabetes2$Diabetic
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev Pr(>Chi)
NULL 905 1091.6 INTERPRETACION 1 La diferencia es altamente significativa, es decir el midelo con todoas las variables es significativa mejor que el modelo solo con la constante.Mirando el test de wald para la significacion de cada parametro individual vemos que son altamente significativos los coeficientes para las variables Age,FamilY_DiabetesEsto quiere decir INTERPRETACION 2 Se observa un 2.2e-16 con un alto grado de significatividad y existe almenos un grupo que es significativo,uno de estos factores es significativos las variables Age ,Gender Family_Diabetes* ,highBP, PhysicallyActive + BMI + Smoking + *Alcohol** + Sleep + SoundSleep + RegularMedicine + JunkFood + Stress + BPLevel + Pregancies + Pdiabetes + UriationFreq.
anova(gfit1, test = "Chisq")Analysis of Deviance Table
Model: binomial, link: logit
Response: Diabetic
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev Pr(>Chi)
NULL 633 784.15
Age 3 218.654 630 565.50 < 2.2e-16 ***
Gender 1 12.859 629 552.64 0.0003358 ***
Family_Diabetes 1 35.069 628 517.57 3.183e-09 ***
highBP 1 9.898 627 507.67 0.0016545 **
PhysicallyActive 3 12.344 624 495.33 0.0062944 **
BMI 1 0.628 623 494.70 0.4281195
Smoking 1 9.125 622 485.58 0.0025210 **
Alcohol 1 0.015 621 485.56 0.9036516
Sleep 1 2.187 620 483.37 0.1391359
SoundSleep 1 0.152 619 483.22 0.6964133
RegularMedicine 1 80.792 618 402.43 < 2.2e-16 ***
JunkFood 3 1.130 615 401.30 0.7697540
Stress 3 11.472 612 389.83 0.0094306 **
BPLevel 2 16.537 610 373.29 0.0002564 ***
Pregancies 1 12.272 609 361.02 0.0004597 ***
Pdiabetes 1 26.751 608 334.27 2.314e-07 ***
UriationFreq 1 1.102 607 333.17 0.2938943
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1gfit2=glm(Diabetic~., data=Train.diabet, family = binomial)
cbind(gfit1$coefficients, gfit2$coefficients)## [,1] [,2]
## (Intercept) -1.74808262 -1.74808262
## Age50-59 0.59253917 0.59253917
## Age60 or older 1.61214689 1.61214689
## Ageless than 40 -1.74881721 -1.74881721
## GenderFemale 0.75499209 0.75499209
## Family_Diabetesno 1.10013745 1.10013745
## highBPno -1.34929812 -1.34929812
## PhysicallyActiveMore than half an hr 0.96937032 0.96937032
## PhysicallyActivenone 1.24247791 1.24247791
## PhysicallyActiveone hr or more 1.65601454 1.65601454
## BMI 0.14903473 0.14903473
## Smokingno 1.46817871 1.46817871
## Alcoholno -0.93616362 -0.93616362
## Sleep 0.13708311 0.13708311
## SoundSleep 0.24376942 0.24376942
## RegularMedicineno 3.18194151 3.18194151
## JunkFood\t\nalways -0.59620345 -0.59620345
## JunkFoodoften -0.68203158 -0.68203158
## JunkFoodoccasionally -0.80432089 -0.80432089
## Stresssometimes -0.09683845 -0.09683845
## Stressvery often -0.66670031 -0.66670031
## Stressalways -0.76141479 -0.76141479
## BPLevelhigh -15.55244810 -15.55244810
## BPLevellow -1.88078889 -1.88078889
## Pregancies 0.41273999 0.41273999
## Pdiabetesyes 5.09624708 5.09624708
## UriationFreqquite often 0.41011844 0.41011844p=predict(gfit2, Val.diabet, type="response")
PredDiabet=as.factor(p>0.5)
levels(PredDiabet)=c("no","yes")
library(lattice)## Warning: package 'lattice' was built under R version 4.3.2library(caret)## Warning: package 'caret' was built under R version 4.3.2matrizLogis <- confusionMatrix(Val.diabet$Diabetic, PredDiabet)## Warning in confusionMatrix.default(Val.diabet$Diabetic, PredDiabet): Levels are
## not in the same order for reference and data. Refactoring data to match.matrizLogis## Confusion Matrix and Statistics
##
## Reference
## Prediction no yes
## no 16 51
## yes 185 20
##
## Accuracy : 0.1324
## 95% CI : (0.0944, 0.1785)
## No Information Rate : 0.739
## P-Value [Acc > NIR] : 1
##
## Kappa : -0.3966
##
## Mcnemar's Test P-Value : <2e-16
##
## Sensitivity : 0.07960
## Specificity : 0.28169
## Pos Pred Value : 0.23881
## Neg Pred Value : 0.09756
## Prevalence : 0.73897
## Detection Rate : 0.05882
## Detection Prevalence : 0.24632
## Balanced Accuracy : 0.18065
##
## 'Positive' Class : no
## INTERPRETACION Observamos un 0,65 de condordancia en los datos Tambien podemos dibujar la curva Roc para distintas probabilidades de corte
library(pROC)## Warning: package 'pROC' was built under R version 4.3.2## Type 'citation("pROC")' for a citation.##
## Attaching package: 'pROC'## The following objects are masked from 'package:stats':
##
## cov, smooth, vartest_prob = predict(gfit2, newdata = Val.diabet, type = "response")
test_roc = roc(Val.diabet$Diabetic~test_prob, plot = TRUE, print.aun = TRUE)## Setting levels: control = yes, case = no## Setting direction: controls < cases
INTERPRETACION
Se utiliza para modelos de prediccion cuando tengo 0 y 1,visulaizar el comportamineto de aprendizaje automatico con el 70% , en el eje de los tenemos la sencibilidad y en el eje x especificalidad, obtenemos un 0,91 un modelo aceptable,observamos los unbrales de decision , este modelo de predicicion si es bueno .
MAQUINAS DE VECTOS SOPORTE Otro modelo de clasificacion binaria es el conocido como Suppory vector Machine Las paquetes que ajustan dlos modelos .Ajusyamos el modelo para nuestros datos. VERIFICAMOS CON EL MODELO KERNEL radial
library(e1071)## Warning: package 'e1071' was built under R version 4.3.2fitsm1 <- svm(Diabetic~., data = Train.diabet)
summary(fitsm1)##
## Call:
## svm(formula = Diabetic ~ ., data = Train.diabet)
##
##
## Parameters:
## SVM-Type: C-classification
## SVM-Kernel: radial
## cost: 1
##
## Number of Support Vectors: 265
##
## ( 132 133 )
##
##
## Number of Classes: 2
##
## Levels:
## yes noINTERPRETACION Nos da un resumen, estoy utilizando una clasificacion, me presenta 265 vectores de soporte, dos numeros de clase, dos liveles binarios un si y un no, 132 para el lado izquierdo (NO) y 133 para el lado derecho (SI)
Acontinuacion predecimos los valores de la respuesta y calculamos la matriz de confusion
library(caret)
predictedSVM = predict(fitsm1,Val.diabet)
matrizSVM1 = confusionMatrix(Val.diabet$Diabetic,predictedSVM)
matrizSVM1Confusion Matrix and Statistics
Reference
Prediction yes no
yes 196 9
no 14 53
Accuracy : 0.9154
95% CI : (0.8758, 0.9456)
No Information Rate : 0.7721
P-Value [Acc > NIR] : 3.803e-10
Kappa : 0.7664
Mcnemar's Test P-Value : 0.4042
Sensitivity : 0.9333
Specificity : 0.8548
Pos Pred Value : 0.9561
Neg Pred Value : 0.7910
Prevalence : 0.7721
Detection Rate : 0.7206
Detection Prevalence : 0.7537
Balanced Accuracy : 0.8941
'Positive' Class : yes
INTERPRETACION
Comparacion de las dos bases de clasificacion Matriz de confucion modelo logistica 185 para el no y 51 para el si En maquinas de soporte obtenemos 196 para el no y 53 para el si, ademas observamos que con el vector de soporte nos da un mejor ajuste.
VERIFICAMOS CON EL MODELO KERNEL PILINOMIAL
library(e1071)
fitsm2 <- svm(Diabetic~., data = Train.diabet)
kernel="polinomial"
summary(fitsm2)
Call:
svm(formula = Diabetic ~ ., data = Train.diabet)
Parameters:
SVM-Type: C-classification
SVM-Kernel: radial
cost: 1
Number of Support Vectors: 265
( 132 133 )
Number of Classes: 2
Levels:
yes nopredictedSVM = predict(fitsm2,Val.diabet)
matrizSVM2 = confusionMatrix(Val.diabet$Diabetic,predictedSVM)
matrizSVM2Confusion Matrix and Statistics
Reference
Prediction yes no
yes 196 9
no 14 53
Accuracy : 0.9154
95% CI : (0.8758, 0.9456)
No Information Rate : 0.7721
P-Value [Acc > NIR] : 3.803e-10
Kappa : 0.7664
Mcnemar's Test P-Value : 0.4042
Sensitivity : 0.9333
Specificity : 0.8548
Pos Pred Value : 0.9561
Neg Pred Value : 0.7910
Prevalence : 0.7721
Detection Rate : 0.7206
Detection Prevalence : 0.7537
Balanced Accuracy : 0.8941
'Positive' Class : yes
INTERPRETACION
En el polinomial aumenta parametros utilizo 202 para el no lado izquierdo y 133 para el lado derecho si, con una matriz de confusion de 203 para el no y 16 para el si, pero el nivel de presicion bajo el p_value bajo totalmente, el nivel de corcordancia es muy reducida por lo que no mejora el modelo
VERIFICAMOS CON EL MODELO KERNEL SIDMOID
library(caret)
library(e1071)
fitsm3 <- svm(Diabetic~., data = Train.diabet)
kernel="sigmoid"
summary(fitsm3)
Call:
svm(formula = Diabetic ~ ., data = Train.diabet)
Parameters:
SVM-Type: C-classification
SVM-Kernel: radial
cost: 1
Number of Support Vectors: 265
( 132 133 )
Number of Classes: 2
Levels:
yes nopredictedSVM3 = predict(fitsm3,Val.diabet)
matrizSVM3 = confusionMatrix(Val.diabet$Diabetic,predictedSVM3)
matrizSVM3Confusion Matrix and Statistics
Reference
Prediction yes no
yes 196 9
no 14 53
Accuracy : 0.9154
95% CI : (0.8758, 0.9456)
No Information Rate : 0.7721
P-Value [Acc > NIR] : 3.803e-10
Kappa : 0.7664
Mcnemar's Test P-Value : 0.4042
Sensitivity : 0.9333
Specificity : 0.8548
Pos Pred Value : 0.9561
Neg Pred Value : 0.7910
Prevalence : 0.7721
Detection Rate : 0.7206
Detection Prevalence : 0.7537
Balanced Accuracy : 0.8941
'Positive' Class : yes
INTERPRETACION
Este modelo es muy parecido al Radial
VERIFICAMOS CON EL MODELO KERNEL LINEAR
library(e1071)
fitsm4 <- svm(Diabetic~., data = Train.diabet)
kernel="linear"
summary(fitsm4)
Call:
svm(formula = Diabetic ~ ., data = Train.diabet)
Parameters:
SVM-Type: C-classification
SVM-Kernel: radial
cost: 1
Number of Support Vectors: 265
( 132 133 )
Number of Classes: 2
Levels:
yes nopredictedSVM4 = predict(fitsm3,Val.diabet)
matrizSVM4 = confusionMatrix(Val.diabet$Diabetic,predictedSVM4)
matrizSVM4Confusion Matrix and Statistics
Reference
Prediction yes no
yes 196 9
no 14 53
Accuracy : 0.9154
95% CI : (0.8758, 0.9456)
No Information Rate : 0.7721
P-Value [Acc > NIR] : 3.803e-10
Kappa : 0.7664
Mcnemar's Test P-Value : 0.4042
Sensitivity : 0.9333
Specificity : 0.8548
Pos Pred Value : 0.9561
Neg Pred Value : 0.7910
Prevalence : 0.7721
Detection Rate : 0.7206
Detection Prevalence : 0.7537
Balanced Accuracy : 0.8941
'Positive' Class : yes
Accuracy <- setNames(c(matrizLogis$overall[1], matrizSVM1$overall[1], matrizSVM2$overall[1], matrizSVM3$overall[1], matrizSVM4$overall[1]),
c("Logistica", "SVM_RADIAL", "SVM_PLINOMIAL", "SVM_SIGMOID", "SVM_LINEAR"))
Accuracy## Logistica SVM_RADIAL SVM_PLINOMIAL SVM_SIGMOID SVM_LINEAR
## 0.1323529 0.9154412 0.9154412 0.9154412 0.9154412