Objeto del trabajo

La finalidad del presente estudio es la de estimar el dato Valor medio de la vivienda (Median House Value) teniendo en cuenta todas las variables incluidas en dataset.

Para cumplimentar dicho objetivo correremos 2 modelos de machine learning y al final compararemos sus métricas para determinar cual de los mismo predice mejor el campo mencionado.

Los modelos que utilizaremos son los siguientes: * Decision Tree (DT) sin tunning * Random Forest (RF) sin tunning

Cargamos las librerias a utilizar durante el trabajo

library(tidymodels)
library(tidyverse)
library(vip)
library(magrittr)
library(corrr)
library(MASS)
library(rpart)
library(rpart.plot)

Ingresamos los datos

houses <- read_csv("https://raw.githubusercontent.com/data-datum/datasets/main/california_houses.csv")
## Rows: 20640 Columns: 14
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## dbl (14): Median_House_Value, Median_Income, Median_Age, Tot_Rooms, Tot_Bedr...
## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

Estudiamos mediante diferentes comandos el interior del dataset para comprender el contenido del mismo.

head(houses)
## # A tibble: 6 x 14
##   Median_House_Value Median_Income Median_Age Tot_Rooms Tot_Bedrooms Population
##                <dbl>         <dbl>      <dbl>     <dbl>        <dbl>      <dbl>
## 1             452600          8.33         41       880          129        322
## 2             358500          8.30         21      7099         1106       2401
## 3             352100          7.26         52      1467          190        496
## 4             341300          5.64         52      1274          235        558
## 5             342200          3.85         52      1627          280        565
## 6             269700          4.04         52       919          213        413
## # i 8 more variables: Households <dbl>, Latitude <dbl>, Longitude <dbl>,
## #   Distance_to_coast <dbl>, Distance_to_LA <dbl>, Distance_to_SanDiego <dbl>,
## #   Distance_to_SanJose <dbl>, Distance_to_SanFrancisco <dbl>
glimpse(houses)
## Rows: 20,640
## Columns: 14
## $ Median_House_Value       <dbl> 452600, 358500, 352100, 341300, 342200, 26970~
## $ Median_Income            <dbl> 8.3252, 8.3014, 7.2574, 5.6431, 3.8462, 4.036~
## $ Median_Age               <dbl> 41, 21, 52, 52, 52, 52, 52, 52, 42, 52, 52, 5~
## $ Tot_Rooms                <dbl> 880, 7099, 1467, 1274, 1627, 919, 2535, 3104,~
## $ Tot_Bedrooms             <dbl> 129, 1106, 190, 235, 280, 213, 489, 687, 665,~
## $ Population               <dbl> 322, 2401, 496, 558, 565, 413, 1094, 1157, 12~
## $ Households               <dbl> 126, 1138, 177, 219, 259, 193, 514, 647, 595,~
## $ Latitude                 <dbl> 37.88, 37.86, 37.85, 37.85, 37.85, 37.85, 37.~
## $ Longitude                <dbl> -122.23, -122.22, -122.24, -122.25, -122.25, ~
## $ Distance_to_coast        <dbl> 9263.041, 10225.733, 8259.085, 7768.087, 7768~
## $ Distance_to_LA           <dbl> 556529.2, 554279.9, 554610.7, 555194.3, 55519~
## $ Distance_to_SanDiego     <dbl> 735501.8, 733236.9, 733525.7, 734095.3, 73409~
## $ Distance_to_SanJose      <dbl> 67432.52, 65049.91, 64867.29, 65287.14, 65287~
## $ Distance_to_SanFrancisco <dbl> 21250.21, 20880.60, 18811.49, 18031.05, 18031~

Realizamos una breve descripción del dataset

El dataset corresponde a los precios de propiedades del estado de California y algunas estadísticas resumidas sobre ellas basadas en los datos del censo de 1990.

Las variables contenidas en el dataset son las siguientes:

  1. Valor medio de la vivienda: (Median house value)valor medio de la vivienda para los hogares dentro de un bloque (medido en dólares estadounidenses) [$]
  2. Ingresos medios: (Median Income) ingresos medios de los hogares dentro de una cuadra de casas (medidos en decenas de miles de dólares estadounidenses) [10k $]
  3. Edad promedio:(Median Age) Edad promedio de una casa dentro de una cuadra; un número menor es un edificio más nuevo [años]
  4. Total de habitaciones:(Total Rooms) número total de habitaciones dentro de un barrio
  5. Total de dormitorios: (Total Bedrooms)número total de dormitorios dentro de un barrio
  6. Población:(Population) Número total de personas que residen dentro de una cuadra.
  7. Hogares: (Households) número total de hogares, un grupo de personas que residen dentro de una unidad de hogar, para un barrio.
  8. Latitud:
  9. Longitud:
  10. Distancia a la costa: Distancia al punto de la costa más cercano [m]
  11. Distancia a Los Ángeles: Distancia al centro de Los Ángeles [m]
  12. Distancia a San Diego: Distancia al centro de San Diego [m]
  13. Distancia a San José: Distancia al centro de San José [m]
  14. Distancia a San Francisco: Distancia al centro de San Francisco [m]

Más información sobre el dataset disponible en: https://www.kaggle.com/datasets/fedesoriano/california-housing-prices-data-extra-features

División de los datos

Para correr los modelos de ML dividimos el dataset en 2 dataset con una proporción de 75% y 25% (train - test).

set.seed(1234)
p_split <- houses %>%
    initial_split(prop = 0.75) 
p_train <- training(p_split)
p_test <- testing(p_split)
glimpse(p_train)
## Rows: 15,480
## Columns: 14
## $ Median_House_Value       <dbl> 165500, 225200, 125500, 206900, 114600, 17500~
## $ Median_Income            <dbl> 4.6389, 4.0603, 2.4167, 3.4808, 3.0924, 2.562~
## $ Median_Age               <dbl> 17, 37, 31, 45, 14, 52, 16, 15, 23, 43, 36, 3~
## $ Tot_Rooms                <dbl> 1145, 2059, 1014, 944, 2391, 1114, 2512, 539,~
## $ Tot_Bedrooms             <dbl> 209, 349, 252, 178, 451, 206, 356, 71, 835, 2~
## $ Population               <dbl> 499, 825, 1064, 533, 798, 425, 795, 287, 2357~
## $ Households               <dbl> 202, 334, 247, 193, 308, 207, 353, 66, 823, 1~
## $ Latitude                 <dbl> 33.94, 33.83, 34.03, 33.81, 37.29, 37.73, 33.~
## $ Longitude                <dbl> -118.17, -118.10, -118.17, -118.20, -119.56, ~
## $ Distance_to_coast        <dbl> 21064.3345, 10513.2231, 28063.1951, 7476.0654~
## $ Distance_to_LA           <dbl> 14208.836, 28041.689, 7225.341, 27235.138, 37~
## $ Distance_to_SanDiego     <dbl> 165280.04, 151557.98, 173589.00, 155354.70, 5~
## $ Distance_to_SanJose      <dbl> 505621.00, 519121.29, 498068.93, 514914.25, 2~
## $ Distance_to_SanFrancisco <dbl> 573641.78, 587133.23, 566101.74, 582890.50, 2~

Para hacer la validación cruzada vamos a dividir los datos de TRAIN en 3-folds con 5 repeticiones.

p_folds <- vfold_cv(p_train, v=3, repeats = 5)
p_folds
## #  3-fold cross-validation repeated 5 times 
## # A tibble: 15 x 3
##    splits               id      id2  
##    <list>               <chr>   <chr>
##  1 <split [10320/5160]> Repeat1 Fold1
##  2 <split [10320/5160]> Repeat1 Fold2
##  3 <split [10320/5160]> Repeat1 Fold3
##  4 <split [10320/5160]> Repeat2 Fold1
##  5 <split [10320/5160]> Repeat2 Fold2
##  6 <split [10320/5160]> Repeat2 Fold3
##  7 <split [10320/5160]> Repeat3 Fold1
##  8 <split [10320/5160]> Repeat3 Fold2
##  9 <split [10320/5160]> Repeat3 Fold3
## 10 <split [10320/5160]> Repeat4 Fold1
## 11 <split [10320/5160]> Repeat4 Fold2
## 12 <split [10320/5160]> Repeat4 Fold3
## 13 <split [10320/5160]> Repeat5 Fold1
## 14 <split [10320/5160]> Repeat5 Fold2
## 15 <split [10320/5160]> Repeat5 Fold3

Verificamos los splits de validación cruzada, son 3 folds que se repiten 5 veces con los siguientes campos (analysis - entrenamiento / assess - validación)

p_folds$splits
## [[1]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[2]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[3]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[4]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[5]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[6]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[7]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[8]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[9]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[10]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[11]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[12]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[13]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[14]]
## <Analysis/Assess/Total>
## <10320/5160/15480>
## 
## [[15]]
## <Analysis/Assess/Total>
## <10320/5160/15480>

Los datos del archivo TEST quedan aparte de la validación cruzada y no son incluidos hasta el final del modelo.

head(p_test)
## # A tibble: 6 x 14
##   Median_House_Value Median_Income Median_Age Tot_Rooms Tot_Bedrooms Population
##                <dbl>         <dbl>      <dbl>     <dbl>        <dbl>      <dbl>
## 1             358500          8.30         21      7099         1106       2401
## 2             352100          7.26         52      1467          190        496
## 3             341300          5.64         52      1274          235        558
## 4             342200          3.85         52      1627          280        565
## 5             241400          3.12         52      3104          687       1157
## 6             261100          3.69         52      3549          707       1551
## # i 8 more variables: Households <dbl>, Latitude <dbl>, Longitude <dbl>,
## #   Distance_to_coast <dbl>, Distance_to_LA <dbl>, Distance_to_SanDiego <dbl>,
## #   Distance_to_SanJose <dbl>, Distance_to_SanFrancisco <dbl>

MODELO I - DT sin tunning de hiperparametros

Receta (preprocesamiento de los datos del dataset TRAIN)

Eliminamos las correlaciones, centramos y escalamos los datos. Variable a predecir: Median_House_Value contra el resto de las otras variables.

recipe_dt <- p_train %>%
  recipe(Median_House_Value~.) %>% #la variable que voy a predecir
  step_corr(all_predictors()) %>% #elimino las correlaciones
  step_center(all_predictors(), -all_outcomes()) %>% #centrado
  step_scale(all_predictors(), -all_outcomes()) %>% #escalado
  prep()

Verificamos como ha quedado la receta creada.

recipe_dt
## 
## -- Recipe ----------------------------------------------------------------------
## 
## -- Inputs
## Number of variables by role
## outcome:    1
## predictor: 13
## 
## -- Training information
## Training data contained 15480 data points and no incomplete rows.
## 
## -- Operations
## * Correlation filter on: Tot_Bedrooms, Households, ... | Trained
## * Centering for: Median_Income, Median_Age, Tot_Rooms, ... | Trained
## * Scaling for: Median_Income, Median_Age, Tot_Rooms, ... | Trained

Modelo

set.seed(123)
tree_spec <- decision_tree() %>% #arboles de decisión
  set_engine("rpart") %>% #librería rpart
  set_mode("regression") #regresión
tree_spec
## Decision Tree Model Specification (regression)
## 
## Computational engine: rpart

Inicio el workflow

Para trabajar de manera ordenada utilizamos creamos un workflow.

tree_wf <- workflow() %>%
  add_recipe(recipe_dt) %>% #agrego la receta
  add_model(tree_spec) #agrego el modelo
# Imprimo el workflow
tree_wf
## == Workflow ====================================================================
## Preprocessor: Recipe
## Model: decision_tree()
## 
## -- Preprocessor ----------------------------------------------------------------
## 3 Recipe Steps
## 
## * step_corr()
## * step_center()
## * step_scale()
## 
## -- Model -----------------------------------------------------------------------
## Decision Tree Model Specification (regression)
## 
## Computational engine: rpart

Error de estimacion del modelo en TRAIN

Entrenamos el modelo.

set.seed(123) 

tree_fit <- tree_spec %>%
  fit(Median_House_Value ~ ., data = p_train) 

#imprimo el modelo
tree_fit
## parsnip model object
## 
## n= 15480 
## 
## node), split, n, deviance, yval
##       * denotes terminal node
## 
##  1) root 15480 2.056409e+14 206412.6  
##    2) Median_Income< 5.0973 12342 1.021372e+14 173689.9  
##      4) Distance_to_coast>=46565.56 3780 8.251357e+12 106757.2 *
##      5) Distance_to_coast< 46565.56 8562 6.947525e+13 203239.7  
##       10) Median_Income< 3.10635 3680 2.130515e+13 165254.1 *
##       11) Median_Income>=3.10635 4882 3.885766e+13 231872.8  
##         22) Distance_to_coast>=6010.353 3865 2.228468e+13 215696.6 *
##         23) Distance_to_coast< 6010.353 1017 1.171804e+13 293349.0 *
##    3) Median_Income>=5.0973 3138 3.831050e+13 335113.7  
##      6) Median_Income< 6.81955 2134 1.926659e+13 294102.5  
##       12) Distance_to_coast>=10099.55 1444 1.002909e+13 270931.5 *
##       13) Distance_to_coast< 10099.55 690 6.839741e+12 342593.9 *
##      7) Median_Income>=6.81955 1004 7.825881e+12 422282.7 *

Error en TRAIN

Incluimos la columna de la predicción (.pred_tree) en los datos de TRAIN para luego compara con el valor verdadero.

results <- p_train %>%
    bind_cols(predict(tree_fit, p_train) %>%
                  rename(.pred_tree = .pred))

Verificamos como quedo el nuevo dataset.

head(results)
## # A tibble: 6 x 15
##   Median_House_Value Median_Income Median_Age Tot_Rooms Tot_Bedrooms Population
##                <dbl>         <dbl>      <dbl>     <dbl>        <dbl>      <dbl>
## 1             165500          4.64         17      1145          209        499
## 2             225200          4.06         37      2059          349        825
## 3             125500          2.42         31      1014          252       1064
## 4             206900          3.48         45       944          178        533
## 5             114600          3.09         14      2391          451        798
## 6             175000          2.56         52      1114          206        425
## # i 9 more variables: Households <dbl>, Latitude <dbl>, Longitude <dbl>,
## #   Distance_to_coast <dbl>, Distance_to_LA <dbl>, Distance_to_SanDiego <dbl>,
## #   Distance_to_SanJose <dbl>, Distance_to_SanFrancisco <dbl>, .pred_tree <dbl>

Calculamos la métricas del modelo.

metrics(results, truth = Median_House_Value, estimate = .pred_tree)
## # A tibble: 3 x 3
##   .metric .estimator .estimate
##   <chr>   <chr>          <dbl>
## 1 rmse    standard   75506.   
## 2 rsq     standard       0.571
## 3 mae     standard   56192.

Error de estimacion del modelo en TEST

Ejecutamos la predicción propiamente dicha del modelo de ML. Los resultados finales son los que compararemos con el proximo modelo a ejecutar para ver cual de los 2 predice mejor la variable.

results_test <- p_test %>%
    bind_cols(predict(tree_fit, p_test) %>%
                  rename(.pred_tree = .pred))

Verificamos las primera filas del dataset de test con las predicciones en la columna final.

head(results_test)
## # A tibble: 6 x 15
##   Median_House_Value Median_Income Median_Age Tot_Rooms Tot_Bedrooms Population
##                <dbl>         <dbl>      <dbl>     <dbl>        <dbl>      <dbl>
## 1             358500          8.30         21      7099         1106       2401
## 2             352100          7.26         52      1467          190        496
## 3             341300          5.64         52      1274          235        558
## 4             342200          3.85         52      1627          280        565
## 5             241400          3.12         52      3104          687       1157
## 6             261100          3.69         52      3549          707       1551
## # i 9 more variables: Households <dbl>, Latitude <dbl>, Longitude <dbl>,
## #   Distance_to_coast <dbl>, Distance_to_LA <dbl>, Distance_to_SanDiego <dbl>,
## #   Distance_to_SanJose <dbl>, Distance_to_SanFrancisco <dbl>, .pred_tree <dbl>

Corremos las métricas del modelo final.

MI_DT_METRICAS <- metrics(results_test, truth = Median_House_Value, estimate = .pred_tree)
MI_DT_METRICAS
## # A tibble: 3 x 3
##   .metric .estimator .estimate
##   <chr>   <chr>          <dbl>
## 1 rmse    standard   77809.   
## 2 rsq     standard       0.549
## 3 mae     standard   57319.

Arbol de decisión

Ploteamos el árbol del modelo.

tree_fit %>%
  extract_fit_engine() %>%
  rpart.plot(roundint = FALSE, extra=1)

Ploteamos las predicciones y el valor verdadero de los resultados del dataset TEST.

results_test %>%
    ggplot(aes(Median_House_Value, .pred_tree)) +
    geom_abline(lty = 2, color = "black", size = 1) +
    geom_point(size = 2, alpha = 0.4, show.legend = FALSE, color = "salmon") +
  theme_light() +
  labs(title="Propiedades del estado de California",
      subtitle= "Predicción vs. Valor Medio de la Vivienda (ML - DT sin tunning)", 
       x = "Median House Value",
       y = "Predicción",
       caption = "Fuente: https://www.kaggle.com/fedesoriano/california-housing-prices-data-extra-features  ")
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## i Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

MODELO II - RF sin tunning de hiperparametros

Preprocesamiento de los datos

Variable a predecir: Median_House_Value contra el resto de las otras variables.

recipe_rf <- p_train %>%
  recipe(Median_House_Value~.) %>%
  step_corr(all_predictors()) %>% #elimino las correlaciones
  step_center(all_predictors(), -all_outcomes()) %>% #centrado
  step_scale(all_predictors(), -all_outcomes()) %>% #escalado
  prep()

Especificamos el modelo de Random Forest sin tunning de hiperárametros

rf_spec <- rand_forest() %>% 
  set_engine("ranger") %>% 
  set_mode("regression")
rf_spec
## Random Forest Model Specification (regression)
## 
## Computational engine: ranger

Workflow

Creamos un workflow para trabajar de manera ordenada.

rf_wf <- workflow() %>%
    add_recipe(recipe_rf) %>%
    add_model(rf_spec)
rf_wf
## == Workflow ====================================================================
## Preprocessor: Recipe
## Model: rand_forest()
## 
## -- Preprocessor ----------------------------------------------------------------
## 3 Recipe Steps
## 
## * step_corr()
## * step_center()
## * step_scale()
## 
## -- Model -----------------------------------------------------------------------
## Random Forest Model Specification (regression)
## 
## Computational engine: ranger

Entrenamos el Modelo

set.seed(123)
rf_res <- rf_wf %>%
    fit_resamples(
        p_folds,
        control = control_resamples(save_pred = TRUE)
    )
## Warning: package 'ranger' was built under R version 4.3.2
glimpse(rf_res)
## Rows: 15
## Columns: 6
## $ splits       <list> [<vfold_split[10320 x 5160 x 15480 x 14]>], [<vfold_spli~
## $ id           <chr> "Repeat1", "Repeat1", "Repeat1", "Repeat2", "Repeat2", "R~
## $ id2          <chr> "Fold1", "Fold2", "Fold3", "Fold1", "Fold2", "Fold3", "Fo~
## $ .metrics     <list> [<tbl_df[2 x 4]>], [<tbl_df[2 x 4]>], [<tbl_df[2 x 4]>],~
## $ .notes       <list> [<tbl_df[0 x 3]>], [<tbl_df[0 x 3]>], [<tbl_df[0 x 3]>],~
## $ .predictions <list> [<tbl_df[5160 x 4]>], [<tbl_df[5160 x 4]>], [<tbl_df[516~

Verificamos las métricas

rf_res %>%
  collect_metrics()
## # A tibble: 2 x 6
##   .metric .estimator      mean     n   std_err .config             
##   <chr>   <chr>          <dbl> <int>     <dbl> <chr>               
## 1 rmse    standard   50442.       15 174.      Preprocessor1_Model1
## 2 rsq     standard       0.810    15   0.00131 Preprocessor1_Model1

Finalizamos el workflow

final_model <- finalize_model(rf_spec, select_best(rf_res, "rmse"))
final_model
## Random Forest Model Specification (regression)
## 
## Computational engine: ranger

Predicción en TEST set

El que tiene el RMSE mas bajo el es modelo que posee menor error por lo tanto es el que ajusta mejor la predicción.

final_rs <- last_fit(final_model, Median_House_Value ~ ., p_split)
final_rs
## # Resampling results
## # Manual resampling 
## # A tibble: 1 x 6
##   splits               id              .metrics .notes   .predictions .workflow 
##   <list>               <chr>           <list>   <list>   <list>       <list>    
## 1 <split [15480/5160]> train/test spl~ <tibble> <tibble> <tibble>     <workflow>
MII_RF_METRICAS <- final_rs %>%
  collect_metrics()
MII_RF_METRICAS
## # A tibble: 2 x 4
##   .metric .estimator .estimate .config             
##   <chr>   <chr>          <dbl> <chr>               
## 1 rmse    standard   45460.    Preprocessor1_Model1
## 2 rsq     standard       0.848 Preprocessor1_Model1

Verificamos la diferencia entre las predicciones y la variable analizada.

final_rs %>% 
    collect_predictions() 
## # A tibble: 5,160 x 5
##    id                 .pred  .row Median_House_Value .config             
##    <chr>              <dbl> <int>              <dbl> <chr>               
##  1 train/test split 417173.     2             358500 Preprocessor1_Model1
##  2 train/test split 406694.     3             352100 Preprocessor1_Model1
##  3 train/test split 342056.     4             341300 Preprocessor1_Model1
##  4 train/test split 268262.     5             342200 Preprocessor1_Model1
##  5 train/test split 244060.     8             241400 Preprocessor1_Model1
##  6 train/test split 271396.    10             261100 Preprocessor1_Model1
##  7 train/test split 225722.    11             281500 Preprocessor1_Model1
##  8 train/test split 267100.    12             241800 Preprocessor1_Model1
##  9 train/test split 151927.    19             158700 Preprocessor1_Model1
## 10 train/test split 138314.    20             162900 Preprocessor1_Model1
## # i 5,150 more rows

Graficos

Graficamos las predicciones del modelo vs. el valor medio de las viviendas.

collect_predictions(final_rs) %>%
  ggplot(aes(Median_House_Value, .pred)) +
  geom_abline(lty = 2, color = "black", size = 1) +
  geom_point(alpha = 0.3, color = "salmon") +
  coord_fixed() +
  theme_light() +
  labs(title="Propiedades del estado de California",
      subtitle= "Estimación Valor Medio de la Vivienda (ML - RF sin tunning)", 
       x = "Median House Value",
       y = "Predicción",
       caption = "Fuente: https://www.kaggle.com/fedesoriano/california-housing-prices-data-extra-features  ")

Importancia de las variables

Ploteamos las variables mas importantes del modelo. En el gráfico se puede observar que la mas importante es Median_Income seguida de Distance_to_coast

final_model %>%
  set_engine("ranger", importance = "permutation") %>%
  fit(Median_House_Value ~ .,
      data = juice(recipe_rf)) %>%
  vip(geom = "point") + 
  theme_light() +
  labs(title="Estimación Valor Medio de la Vivienda (ML - RF sin tunning)",
      subtitle= "Variables mas importante", 
       y = "Importacia",
       x = "Variable",
       caption = "Fuente: https://www.kaggle.com/fedesoriano/california-housing-prices-data-extra-features  ")

COMENTARIOS FINALES

Para final el presente estudio compararemos las métricas obtenidas por los 2 modelos (DT sin tunning y RF sin tunning) para comprobar cual de los 2 tiene menor error por lo que ajusta mejor la predicción de la variable elegida.

MI_DT_METRICAS
## # A tibble: 3 x 3
##   .metric .estimator .estimate
##   <chr>   <chr>          <dbl>
## 1 rmse    standard   77809.   
## 2 rsq     standard       0.549
## 3 mae     standard   57319.
MII_RF_METRICAS
## # A tibble: 2 x 4
##   .metric .estimator .estimate .config             
##   <chr>   <chr>          <dbl> <chr>               
## 1 rmse    standard   45460.    Preprocessor1_Model1
## 2 rsq     standard       0.848 Preprocessor1_Model1

Se puede observa el RSQ (R2) es mas elevado en el modelo 2 (RF sin tuning). Este valor no suele tenerse muy en cuenta en modelos de ML. Respecto al RMSE (raíz error cuadrático medio) es mas bajo en el modelo 2 (RF sin tuning) por lo que comparando ambos, si hay que optar por uno de ambos, se elegiría el Modelo 2 ya que tiene menos error y ajusta mejor la predicción de la variable Median House Value.

Final TP.-