Trabajo Final
Grupo 7
2023-12-18
Autores:
Lindsay Dietz
Carlos Manuel Moreno
Tomoki Mazuelos
Manuel FraucasuppressWarnings({
library(ggplot2)
library(dplyr)
library(GGally)
library(rpart)
library(rpart.plot)
library(randomForest)
library(caret)
library(mltools)
library(e1071)
library(data.table)
library(knitr)
library(corrplot)
library(visreg)
library(ggplot2)
library(class)
library(cluster)
})##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## randomForest 4.7-1.1## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:dplyr':
##
## combine## The following object is masked from 'package:ggplot2':
##
## margin## Loading required package: lattice##
## Attaching package: 'e1071'## The following object is masked from 'package:mltools':
##
## skewness##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, last## corrplot 0.92 loaded1. Análisis Exploratorio de Datos
En este primer punto se realiza la carga de datos y vamos a explorar la estructura y resumen de los datos
dataset <- read.csv("ObesityDataSet_raw_and_data_sinthetic.csv")
head(dataset)# Ver la estructura del dataset
str(dataset)## 'data.frame': 2111 obs. of 17 variables:
## $ Gender : chr "Female" "Female" "Male" "Male" ...
## $ Age : num 21 21 23 27 22 29 23 22 24 22 ...
## $ Height : num 1.62 1.52 1.8 1.8 1.78 1.62 1.5 1.64 1.78 1.72 ...
## $ Weight : num 64 56 77 87 89.8 53 55 53 64 68 ...
## $ family_history_with_overweight: chr "yes" "yes" "yes" "no" ...
## $ FAVC : chr "no" "no" "no" "no" ...
## $ FCVC : num 2 3 2 3 2 2 3 2 3 2 ...
## $ NCP : num 3 3 3 3 1 3 3 3 3 3 ...
## $ CAEC : chr "Sometimes" "Sometimes" "Sometimes" "Sometimes" ...
## $ SMOKE : chr "no" "yes" "no" "no" ...
## $ CH2O : num 2 3 2 2 2 2 2 2 2 2 ...
## $ SCC : chr "no" "yes" "no" "no" ...
## $ FAF : num 0 3 2 2 0 0 1 3 1 1 ...
## $ TUE : num 1 0 1 0 0 0 0 0 1 1 ...
## $ CALC : chr "no" "Sometimes" "Frequently" "Frequently" ...
## $ MTRANS : chr "Public_Transportation" "Public_Transportation" "Public_Transportation" "Walking" ...
## $ NObeyesdad : chr "Normal_Weight" "Normal_Weight" "Normal_Weight" "Overweight_Level_I" ...# Resumen estad??stico para variables numéricas
summary(dataset)## Gender Age Height Weight
## Length:2111 Min. :14.00 Min. :1.450 Min. : 39.00
## Class :character 1st Qu.:19.95 1st Qu.:1.630 1st Qu.: 65.47
## Mode :character Median :22.78 Median :1.700 Median : 83.00
## Mean :24.31 Mean :1.702 Mean : 86.59
## 3rd Qu.:26.00 3rd Qu.:1.768 3rd Qu.:107.43
## Max. :61.00 Max. :1.980 Max. :173.00
## family_history_with_overweight FAVC FCVC
## Length:2111 Length:2111 Min. :1.000
## Class :character Class :character 1st Qu.:2.000
## Mode :character Mode :character Median :2.386
## Mean :2.419
## 3rd Qu.:3.000
## Max. :3.000
## NCP CAEC SMOKE CH2O
## Min. :1.000 Length:2111 Length:2111 Min. :1.000
## 1st Qu.:2.659 Class :character Class :character 1st Qu.:1.585
## Median :3.000 Mode :character Mode :character Median :2.000
## Mean :2.686 Mean :2.008
## 3rd Qu.:3.000 3rd Qu.:2.477
## Max. :4.000 Max. :3.000
## SCC FAF TUE CALC
## Length:2111 Min. :0.0000 Min. :0.0000 Length:2111
## Class :character 1st Qu.:0.1245 1st Qu.:0.0000 Class :character
## Mode :character Median :1.0000 Median :0.6253 Mode :character
## Mean :1.0103 Mean :0.6579
## 3rd Qu.:1.6667 3rd Qu.:1.0000
## Max. :3.0000 Max. :2.0000
## MTRANS NObeyesdad
## Length:2111 Length:2111
## Class :character Class :character
## Mode :character Mode :character
##
##
## 1.1 Procesamiento y Limpieza de Datos
1.1.1 Valores Atípicos
# Identificar valores atípicos
boxplot(dataset$Age)
boxplot(dataset$Height)
boxplot(dataset$Weight)
Podemos observar que hay varios valores atípicos
# Tratar valores atípicos
dataset$Age <- ifelse(dataset$Age < 0 | dataset$Age > 50, NA, dataset$Age)
dataset$Weight <- ifelse(dataset$Weight < 30 | dataset$Weight > 140, NA, dataset$Weight)# Contar la cantidad de NAs por columna
cantidad_nas_por_columna <- colSums(is.na(dataset))
# Mostrar la cantidad de NAs por columna
print(cantidad_nas_por_columna)## Gender Age
## 0 10
## Height Weight
## 0 33
## family_history_with_overweight FAVC
## 0 0
## FCVC NCP
## 0 0
## CAEC SMOKE
## 0 0
## CH2O SCC
## 0 0
## FAF TUE
## 0 0
## CALC MTRANS
## 0 0
## NObeyesdad
## 0# Eliminar filas con NA en el conjunto de datos
dataset <- na.omit(dataset)
# Verificar la nueva estructura del conjunto de datos
str(dataset)## 'data.frame': 2068 obs. of 17 variables:
## $ Gender : chr "Female" "Female" "Male" "Male" ...
## $ Age : num 21 21 23 27 22 29 23 22 24 22 ...
## $ Height : num 1.62 1.52 1.8 1.8 1.78 1.62 1.5 1.64 1.78 1.72 ...
## $ Weight : num 64 56 77 87 89.8 53 55 53 64 68 ...
## $ family_history_with_overweight: chr "yes" "yes" "yes" "no" ...
## $ FAVC : chr "no" "no" "no" "no" ...
## $ FCVC : num 2 3 2 3 2 2 3 2 3 2 ...
## $ NCP : num 3 3 3 3 1 3 3 3 3 3 ...
## $ CAEC : chr "Sometimes" "Sometimes" "Sometimes" "Sometimes" ...
## $ SMOKE : chr "no" "yes" "no" "no" ...
## $ CH2O : num 2 3 2 2 2 2 2 2 2 2 ...
## $ SCC : chr "no" "yes" "no" "no" ...
## $ FAF : num 0 3 2 2 0 0 1 3 1 1 ...
## $ TUE : num 1 0 1 0 0 0 0 0 1 1 ...
## $ CALC : chr "no" "Sometimes" "Frequently" "Frequently" ...
## $ MTRANS : chr "Public_Transportation" "Public_Transportation" "Public_Transportation" "Walking" ...
## $ NObeyesdad : chr "Normal_Weight" "Normal_Weight" "Normal_Weight" "Overweight_Level_I" ...
## - attr(*, "na.action")= 'omit' Named int [1:43] 22 93 134 162 233 253 345 503 1014 1035 ...
## ..- attr(*, "names")= chr [1:43] "22" "93" "134" "162" ...1.1.2 Relacion entre las variables
# Función para crear histogramas ajustados para la proporción de fumadores y no fumadores
create_smoke_histogram <- function(data, variable, binwidth = 3) {
ggplot(data = data[!is.na(data[[variable]]),], aes(x = .data[[variable]], fill = SMOKE)) +
geom_histogram(binwidth = binwidth, position = "fill") +
ylab("Frequency") +
labs(x = variable, title = paste("Histogram of", variable, "by Smoking Status"))
}# Gráfico 1: Relación entre Género y Fumar
ggplot(data = dataset, aes(x = "Gender", fill = SMOKE)) + geom_bar()
# Gráfico 2: Relación entre Edad y Fumar
create_smoke_histogram(dataset, "Age", binwidth = 3)
# Gráfico 3: Relación entre Altura y Fumar
create_smoke_histogram(dataset, "Height", binwidth = 3)
# Gráfico 4: Relación entre Peso y Fumar
create_smoke_histogram(dataset, "Weight", binwidth = 3)
# Gráfico 5: Relación entre Antecedentes Familiares y Fumar
ggplot(data = dataset, aes(x = "family_history_with_overweight", fill = SMOKE)) + geom_bar()
Gráficos del 6 al 10
# Gráfico 6: Relación entre FAVC y Smoke
ggplot(data = dataset, aes(x = FAVC, fill = SMOKE)) + geom_bar()
# Gráfico 7: Relación entre FCVC y Smoke
ggplot(data = dataset, aes(x = FCVC, fill = SMOKE)) +
geom_histogram(bins = 10, position = "identity") +
labs(x = "FCVC", y = "Count", title = "Histogram of FCVC by Smoking Status")
# Gráfico 8: Relación entre NCP y Smoke
ggplot(data = dataset, aes(x = NCP, fill = SMOKE)) +
geom_histogram(bins = 10, position = "identity") +
labs(x = "NCP", y = "Count", title = "Histogram of NCP by Smoking Status")
# Gráfico 9: Relación entre CAEC y Smoke
ggplot(data = dataset, aes(x = CAEC, fill = SMOKE)) + geom_bar()
# Gráfico 10: Relación entre CH2O y Smoke
ggplot(data = dataset, aes(x = CH2O, fill = SMOKE)) +
geom_histogram(bins = 10, position = "identity") +
labs(x = "CH2O", y = "Count", title = "Histogram of CH2O by Smoking Status")
Gráficos 11-16
# Gráfico 11: Relación entre SCC y Smoke
ggplot(data = dataset, aes(x = SCC, fill = SMOKE)) + geom_bar()
# Gráfico 12: Relación entre FAF y Smoke
ggplot(data = dataset, aes(x = FAF, fill = SMOKE)) +
geom_histogram(bins = 10, position = "identity") +
labs(x = "FAF", y = "Count", title = "Histogram of FAF by Smoking Status")
# Gráfico 13: Relación entre TUE y Smoke
ggplot(data = dataset, aes(x = TUE, fill = SMOKE)) +
geom_histogram(bins = 10, position = "identity") +
labs(x = "TUE", y = "Count", title = "Histogram of TUE by Smoking Status")
# Gráfico 14: Relación entre CALC y Smoke
ggplot(data = dataset, aes(x = CALC, fill = SMOKE)) + geom_bar()
# Gráfico 15: Relación entre MTRANS y Smoke
ggplot(data = dataset, aes(x = MTRANS, fill = SMOKE)) + geom_bar()
# Gráfico 16: Distribución de NObeyesdad y Smoke
ggplot(data = dataset, aes(x = NObeyesdad, fill = SMOKE)) +
geom_bar() +
labs(x = "NObeyesdad", y = "Count", title = "Distribution of NObeyesdad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
2 Modelos de Clasificación Binaria
2.1 Usuario es Fumador o no
2.1.1 Clasificador KNN
# Selecciona las variables predictoras y la variable objetivo
set.seed(123)
variables_predictoras <- c("Age", "Height", "Weight", "FCVC", "NCP", "CH2O", "FAF", "TUE")
variable_objetivo <- "SMOKE"
# Dividir el conjunto de datos en entrenamiento y prueba
indices_entrenamiento <- sample(1:nrow(dataset), 0.8 * nrow(dataset))
datos_entrenamiento <- dataset[indices_entrenamiento, ]
datos_prueba <- dataset[-indices_entrenamiento, ]
# Asegúrate de que esta l??nea tenga el valor correcto de k
k <- 4
# Entrenar el modelo k-NN
modelo_knn <- knn(train = datos_entrenamiento[, variables_predictoras],
test = datos_prueba[, variables_predictoras],
cl = datos_entrenamiento[, variable_objetivo],
k = k)
# Ver un resumen del modelo
confusion_matrix <- table(modelo_knn, datos_prueba[, variable_objetivo])
print(confusion_matrix)##
## modelo_knn no yes
## no 405 5
## yes 1 3# Calcular métricas de evaluación (precisión, sensibilidad, especificidad, etc.)
precision <- sum(diag(confusion_matrix)) / sum(confusion_matrix)
sensibilidad <- confusion_matrix[2, 2] / sum(confusion_matrix[2, ])
especificidad <- confusion_matrix[1, 1] / sum(confusion_matrix[1, ])
# Imprimir las métricas
print(paste("Precisión del modelo k-NN en el conjunto de prueba:", precision))## [1] "Precisión del modelo k-NN en el conjunto de prueba: 0.985507246376812"print(paste("Sensibilidad del modelo k-NN en el conjunto de prueba:", sensibilidad))## [1] "Sensibilidad del modelo k-NN en el conjunto de prueba: 0.75"print(paste("Especificidad del modelo k-NN en el conjunto de prueba:", especificidad))## [1] "Especificidad del modelo k-NN en el conjunto de prueba: 0.98780487804878"El modelo k-NN utilizará las siguientes variables como predictores:
Age: Edad del usuario. Height: Altura del usuario. Weight: Peso del usuario. FCVC: Frecuencia de consumo de vegetales. NCP: Número de comidas principales al d??a. CH2O: Consumo diario de agua. FAF: Frecuencia semanal de actividad f??sica. TUE: Tiempo de uso de la pantalla (en horas al d??a). Estas variables se utilizan para predecir la variable objetivo SMOKE, que indica si el usuario fuma o no. El objetivo del modelo k-NN es clasificar a los usuarios en las categor??as “fumador” o “no fumador” en función de los valores de estas variables predictoras.
El resultado de las métricas de evaluación utilizando (k-NN) para predecir la variable “SMOKE” nos dice que podemos interpretar lo siguiente:
1.Matriz de confusión: modelo_knn no si No 405 5 Si. 1 3 - La matriz de confusión muestra los recuentos de verdaderos positivos (405), verdaderos negativos (3), falsos positivos (5) y falsos negativos (1).
- Precisión: [1] “Precisión del modelo k-NN en el conjunto de prueba:
0.985507246376812”
- La precisión es la relación entre las observaciones positivas pronosticadas correctamente y el total de observaciones positivas pronosticadas. En este caso, la precisión para predecir “No fumador” es aproximadamente del 98,55%. Esto significa que de todos los casos previstos como “No fumador”, alrededor del 98,55% en realidad fueron “No fumador”.
- Sensibilidad (recordación):**
[1] “Sensibilidad del modelo k-NN en el conjunto de prueba: 0.75” - La sensibilidad, también conocida como recuerdo, es la relación entre las observaciones positivas predichas correctamente y todas las observaciones de la clase real. En este caso, la sensibilidad para predecir “No fumador” es del 75%. Esto significa que de todos los casos reales de “no fumador”, el modelo identificó correctamente el 75% de ellos.
- Especificidad:
[1] “Especificidad del modelo k-NN en el conjunto de prueba: 0.98780487804878” - La especificidad es la relación entre las observaciones negativas predichas correctamente y todas las observaciones de la clase negativa real. En este caso, la especificidad para predecir “No Fumador” es aproximadamente del 98,78%. Esto significa que de todos los casos reales de “SMOKE” (fumador), el modelo identificó correctamente el 98,78% de ellos.
En resumen: - El modelo tiene una alta precisión, lo que indica que cuando predice “No fumador”, acierta aproximadamente el 98,55% de las veces. - La sensibilidad para predecir “no fumador” es del 75%, lo que significa que el modelo identifica correctamente el 75% de los casos reales de “no fumador”. - La especificidad para predecir “no fumador” es alta, aproximadamente del 98,78 %, lo que indica una tasa baja de falsos positivos.
2.1.2 Usuario es Fumador o no (Arbol de decisión)
#Variables de inter?s
train_im<- dataset[,c("Age", "Height", "Weight", "FCVC", "NCP","SMOKE", "CH2O", "FAF", "TUE")]
ind<-sample(1:dim(train_im)[1],1478) # 1478 muestras de 2111 (80%)
train.set<-train_im[ind,] # Conjunto de entrenamiento del modelo
test.set<-train_im[-ind,] # Conjunto de prueba del modelo
View(train_im)
View(train.set)
View(test.set)# Entrenamiento del Modelo en el conjunto de entrenamiento (80%)
model_dt<- rpart(SMOKE ~.,data=train.set, method="class")
rpart.plot(model_dt)
pred.train.dt <- predict(model_dt,test.set,type = "class")
mean(pred.train.dt==test.set$SMOKE)## [1] 0.9864407t2<-table(pred.train.dt,test.set$SMOKE)
presicion_dt<- t2[1,1]/(sum(t2[1,]))
recall_dt<- t2[1,1]/(sum(t2[,1]))
presicion_dt## [1] 0.9897611recall_dt## [1] 0.9965636F1_dt<- 2*presicion_dt*recall_dt/(presicion_dt+recall_dt)
F1_dt## [1] 0.9931507# Prediccion del modelo en el conjunto de prueba (20%)
pred.test.dt <- predict(model_dt,test.set,type="class")[1:633]- Precisión del modelo con la variable SMOKE: La precisión es la relación entre las instancias predichas correctamente y el total de instancias. En este caso, la precisión es aproximadamente del 98,64%. (0,9864407), lo que significa que el modelo predijo correctamente si un usuario fuma o no aproximadamente el 98,64% del tiempo en el conjunto de prueba.
Asimismo, la precisión es tambien la relación entre las observaciones positivas pronosticadas correctamente y el total de positivas predichas. En este caso, la precisión para predecir “no fumadores” es aproximadamente del 98,98% (0,9897611)
Recuperación: La recuperación, también conocida como sensibilidad, es la relación entre las observaciones positivas predichas correctamente y todas las observaciones de la clase real. En este caso, nuestro nivel de sensibilidad para predecir “no fumadores” es aproximadamente del 99,66 % (0,9965636)
Puntuación F1: La puntuación F1 es el promedio ponderado de precisión y recuperación. Va de 0 a 1, donde 1 es el mejor. EN este caso, la puntuación F1 para predecir “no fumadores” es aproximadamente del 99,32 % (0,9931507)
En resumen:
El modelo tiene alta exactitud, precisión, recuperación y puntuación F1 para predecir si un usuario fuma o no. Estas métricas indican que el modelo está funcionando muy bien en el conjunto de pruebas para la variable “SMOKE”. La alta precisión, la recuperación y la puntuación F1 sugieren que el modelo es eficaz tanto para minimizar los falsos positivos como los falsos negativos. Identifica correctamente los casos de “no humo” con alta precisión y recuperación.
2.2 Usuario consume nivel de altas calorias (FAVC) o no
2.2.1 Clasificador KNN
# Selecciona las variables predictoras y la variable objetivo
set.seed(123)
variables_predictoras <- c("Age", "Height", "Weight", "FCVC", "NCP", "CH2O", "FAF", "TUE")
variable_objetivo <- "FAVC"
# Dividir el conjunto de datos en entrenamiento y prueba
indices_entrenamiento <- sample(1:nrow(dataset), 0.8 * nrow(dataset))
datos_entrenamiento <- dataset[indices_entrenamiento, ]
datos_prueba <- dataset[-indices_entrenamiento, ]
# Asegúrate de que esta l??nea tenga el valor correcto de k
k <- 4
# Entrenar el modelo k-NN
modelo_knn <- knn(train = datos_entrenamiento[, variables_predictoras],
test = datos_prueba[, variables_predictoras],
cl = datos_entrenamiento[, variable_objetivo],
k = k)
# Ver un resumen del modelo
confusion_matrix <- table(modelo_knn, datos_prueba[, variable_objetivo])
print(confusion_matrix)##
## modelo_knn no yes
## no 14 10
## yes 28 362# Calcular métricas de evaluación (precisión, sensibilidad, especificidad, etc.)
precision <- sum(diag(confusion_matrix)) / sum(confusion_matrix)
sensibilidad <- confusion_matrix[2, 2] / sum(confusion_matrix[2, ])
especificidad <- confusion_matrix[1, 1] / sum(confusion_matrix[1, ])
# Imprimir las metricas
print(paste("Precisión del modelo k-NN en el conjunto de prueba:", precision))## [1] "Precisión del modelo k-NN en el conjunto de prueba: 0.908212560386473"print(paste("Sensibilidad del modelo k-NN en el conjunto de prueba:", sensibilidad))## [1] "Sensibilidad del modelo k-NN en el conjunto de prueba: 0.928205128205128"print(paste("Especificidad del modelo k-NN en el conjunto de prueba:", especificidad))## [1] "Especificidad del modelo k-NN en el conjunto de prueba: 0.583333333333333"Esto es lo que significan estos términos:
- Precisión:
- La precisión es la relación entre las observaciones positivas pronosticadas correctamente y el total de positivas pronosticadas. En este caso, se calcula como TP / (TP + FP). La precisión del modelo para predecir “sí” es aproximadamente 0,9082 o 90,82%.
Sensibilidad (recuerdo): la sensibilidad, también conocida como recuerdo, es la relación entre las observaciones positivas predichas correctamente y todas las observaciones de la clase real. Se calcula como TP / (TP + FN). La sensibilidad del modelo para predecir “sí” es aproximadamente 0,9282 o 92,82%.
Especificidad: La especificidad es la relación entre las observaciones negativas predichas correctamente y el total de observaciones negativas reales. Se calcula como TN / (TN + FP). La especificidad del modelo para predecir “no” es aproximadamente 0,5833 o 58,33%.
El modelo k-NN utilizó las siguientes variables como predictores:
Age: Edad del usuario. Height: Altura del usuario. Weight: Peso del usuario. FCVC: Frecuencia de consumo de vegetales. NCP: Número de comidas principales al d??a. CH2O: Consumo diario de agua. FAF: Frecuencia semanal de actividad f??sica. TUE: Tiempo de uso de la pantalla (en horas al d??a). SMOKE: Usuario es fumador Estas variables se utilizan para predecir la variable objetivo FAVC, que indica si el usuario ingesta altas calorías. El objetivo del modelo k-NN es clasificar a los usuarios en las categor??as “ingesta altas calorías” o “no ingesta altas calorías” en función de los valores de estas variables predictoras.
De los resultados anteriores podemos establecer lo siguiente:
- El modelo tiene una alta precisión, lo que nos indica que cuando predice “sí”, es exacto aproximadamente el 90,82% de las veces.
- El modelo tiene una alta sensibilidad, lo que significa que identifica correctamente alrededor del 92,82% de los casos positivos reales.
- La especificidad es menor, lo que nos indica que el modelo es menos preciso a la hora de identificar casos negativos reales.
- Estas métricas nos dan una idea de qué tan bien se está desempeñando el modelo en términos de identificar correctamente instancias positivas y negativas.
2.2.2 Clasificador KNN Usuario ingesta altas calorias (FAVC) o no (Arbol de decisión)
#Variables de interes
train_im2<- dataset[,c("Age", "Height", "Weight", "FCVC", "NCP","SMOKE", "CH2O", "FAF", "TUE", "FAVC")]
ind2<-sample(1:dim(train_im)[1],1478) # 1478 muestras de 2111 (80%)
train.set2<-train_im2[ind2,] # Conjunto de entrenamiento del modelo
test.set2<-train_im2[-ind2,] # Conjunto de prueba del modelo
View(train_im2)
View(train.set2)
View(test.set2)#Entrenamiento del Modelo en el conjunto de entrenamiento (80%)
model_dt2 <- rpart(FAVC ~ ., data = train.set2, method = "class")
rpart.plot(model_dt2)
pred.train.dt2 <- predict(model_dt2,test.set2,type = "class")
mean(pred.train.dt2==test.set2$FAVC)## [1] 0.8915254t2<-table(pred.train.dt2,test.set2$FAVC)
presicion_dt2<- t2[1,1]/(sum(t2[1,]))
recall_dt2<- t2[1,1]/(sum(t2[,1]))
presicion_dt2## [1] 0.4736842recall_dt2## [1] 0.1428571F1_dt2<- 2*presicion_dt2*recall_dt2/(presicion_dt2+recall_dt2)
F1_dt2## [1] 0.2195122#Prediccion del modelo en el conjunto de prueba (20%)
pred.test.dt2 <- predict(model_dt2,test.set,type="class")[1:633]El resultado que proporcionó este Decision Tree model, provienen de predecir la variable “FAVC” pueden ser intrepretados como se muestra a continuación:
- Precisión (media de predicciones correctas) del modelo para la variable FAVC:
[1] 0,8915254
- La precisión es la relación entre las instancias predichas correctamente y el total de instancias. En este caso, la precisión es aproximadamente del 89,15 %, lo que significa que el modelo predijo correctamente la variable “FAVC” aproximadamente el 89,15 % de las veces.
- Precisión: precision_dt2 [1] 0,4736842
- La precisión entendida como la relación entre las observaciones positivas pronosticadas correctamente y el total de observaciones positivas pronosticadas. En este caso, la precisión es de aproximadamente 47,37%. Esto significa que de todos los casos previstos como “FAVC”, alrededor del 47,37 % fueron en realidad “FAVC”.
- Sensibilidad: recordar_dt2 [1] 0,1428571
- La sensibilidad, entendida como la relación entre las observaciones positivas predichas correctamente y todas las observaciones de la clase real. En este caso, la recuperación es aproximadamente del 14,29%. Esto significa que de todos los casos reales de “FAVC”, el modelo identificó correctamente el 14,29% de ellos.
- Puntuación F1: F1_dt2 [1] 0,2195122
- La puntuación F1 es la media armónica de precisión y recuperación. Proporciona un equilibrio entre precisión y recuperación. En este caso, la puntuación en F1 es aproximadamente del 21,95%. Esta es una métrica compuesta que considera tanto la precisión como la recuperación.
En resumen: - El modelo tiene predicción relativamente alta, lo que nos indica las probabilidades de pertenencia a cada clase de la variable “FAVC” que es aproximadamente el 89,15% de las veces. - La precisión es moderada, lo que significa que cuando el modelo predice “FAVC”, acierta aproximadamente el 47,37% de las veces. - La recuperación es relativamente baja, lo que nos sugiere que el modelo podría no capturar una porción sustancial de los casos reales de “FAVC”. - La puntuación F1 proporciona una medida equilibrada de precisión y recuperación, considerando ambos aspectos.
3. Clasificación Multiclase
# Identificar columnas categóricas
columnas_categoricas <- sapply(dataset, is.factor)
# Convertir variables categóricas en factores
dataset[columnas_categoricas] <- lapply(dataset[columnas_categoricas], as.factor)
# Selecciona las variables predictoras y la variable objetivo
set.seed(123)
variables_predictoras <- c("Gender" ,"Age", "Height", "Weight", "family_history_with_overweight",
"FAVC", "FCVC", "NCP", "CAEC", "SMOKE", "CH2O",
"SCC", "FAF", "TUE", "CALC", "MTRANS")
# Dividir el conjunto de datos en entrenamiento y prueba
indices_entrenamiento <- sample(1:nrow(dataset), 0.8 * nrow(dataset))
datos_entrenamiento <- dataset[indices_entrenamiento, ]
datos_prueba <- dataset[-indices_entrenamiento, ]
# Definir el controlador del modelo
control_modelo <- trainControl(method = "cv", number = 5)
# Entrenar el modelo Random Forest
modelo_rf <- train(NObeyesdad ~ ., data = datos_entrenamiento, method = "rf", trControl = control_modelo)
# Predecir en el conjunto de prueba
predicciones_rf <- predict(modelo_rf, newdata = datos_prueba)
# Ver un resumen del modelo
confusion_matrix_rf <- table(predicciones_rf, datos_prueba$NObeyesdad)
print(confusion_matrix_rf)##
## predicciones_rf Insufficient_Weight Normal_Weight Obesity_Type_I
## Insufficient_Weight 44 0 0
## Normal_Weight 1 54 0
## Obesity_Type_I 0 0 74
## Obesity_Type_II 0 0 0
## Obesity_Type_III 0 0 0
## Overweight_Level_I 0 0 0
## Overweight_Level_II 0 0 1
##
## predicciones_rf Obesity_Type_II Obesity_Type_III Overweight_Level_I
## Insufficient_Weight 0 0 0
## Normal_Weight 0 0 3
## Obesity_Type_I 0 0 0
## Obesity_Type_II 69 0 0
## Obesity_Type_III 1 58 0
## Overweight_Level_I 0 0 55
## Overweight_Level_II 0 0 0
##
## predicciones_rf Overweight_Level_II
## Insufficient_Weight 0
## Normal_Weight 0
## Obesity_Type_I 1
## Obesity_Type_II 0
## Obesity_Type_III 0
## Overweight_Level_I 0
## Overweight_Level_II 53# Calcular métricas de evaluación manualmente
precision_rf <- diag(confusion_matrix_rf) / rowSums(confusion_matrix_rf)
sensibilidad_rf <- diag(confusion_matrix_rf) / colSums(confusion_matrix_rf)
especificidad_rf <- 1 - (rowSums(confusion_matrix_rf) - diag(confusion_matrix_rf)) / rowSums(confusion_matrix_rf)
exactitud_rf <- sum(diag(confusion_matrix_rf)) / sum(confusion_matrix_rf)
# Imprimir las métricas
cat("Precision por clase:\n")## Precision por clase:print(precision_rf)## Insufficient_Weight Normal_Weight Obesity_Type_I Obesity_Type_II
## 1.0000000 0.9310345 0.9866667 1.0000000
## Obesity_Type_III Overweight_Level_I Overweight_Level_II
## 0.9830508 1.0000000 0.9814815cat("\nSensibilidad por clase:\n")##
## Sensibilidad por clase:print(sensibilidad_rf)## Insufficient_Weight Normal_Weight Obesity_Type_I Obesity_Type_II
## 0.9777778 1.0000000 0.9866667 0.9857143
## Obesity_Type_III Overweight_Level_I Overweight_Level_II
## 1.0000000 0.9482759 0.9814815cat("\nEspecificidad por clase:\n")##
## Especificidad por clase:print(especificidad_rf)## Insufficient_Weight Normal_Weight Obesity_Type_I Obesity_Type_II
## 1.0000000 0.9310345 0.9866667 1.0000000
## Obesity_Type_III Overweight_Level_I Overweight_Level_II
## 0.9830508 1.0000000 0.9814815cat("\nExactitud del modelo:\n")##
## Exactitud del modelo:print(exactitud_rf)## [1] 0.9830918Precisión por Clase:
- La precisión indica la proporción de instancias positivas predichas correctamente en relación con todas las instancias predichas como positivas. En este caso, la precisión es alta para todas las clases, lo que sugiere que el modelo tiende a acertar cuando predice una clase específica.
Sensibilidad (Recall) por Clase:
- La sensibilidad mide la proporción de instancias positivas predichas correctamente en relación con todas las instancias reales positivas. En este caso, la sensibilidad es alta para la mayoría de las clases, lo que indica que el modelo tiene un buen rendimiento en la identificación de las clases positivas.
Especificidad por Clase:
- La especificidad mide la proporción de instancias negativas predichas correctamente en relación con todas las instancias reales negativas. En este caso, la especificidad también es alta para todas las clases, lo que sugiere que el modelo es bueno para identificar instancias negativas.
Exactitud del Modelo:
La exactitud es alta (alrededor del 98.3%), indicando que el modelo general tiene un buen rendimiento en la clasificación de todas las clases. En general, las métricas parecen ser positivas y sugieren que el modelo es capaz de predecir las clases con precisión.
4. Clustering
Se utilizó el algoritmo K-means correspondiente a los métodos de agrupamiento (clustering) basados en prototipos. Este algoritmo es de tipo no supervisado de Machine Learning. Se utilizó el valor de 5 como el número de centroides, ya que al aumentar el número de clusters el WCSS (Within-Cluster Sum of Square) disminuye y se estabiliza con ese valor.
#Seleccion del subconjunto del dataset
df<- dataset[,c("Age", "Height", "Weight","FCVC", "NCP","SMOKE", "CH2O", "FAF", "TUE")]
View(df)#Corrida del algoritmo K-means
set.seed(101)
myCluster <- kmeans(df[,1:4], center=5, nstart=20)
myCluster## K-means clustering with 5 clusters of sizes 290, 358, 609, 331, 480
##
## Cluster means:
## Age Height Weight FCVC
## 1 25.19940 1.787172 125.17150 2.642139
## 2 21.79119 1.662292 65.12248 2.345690
## 3 26.12290 1.703244 82.31199 2.266378
## 4 20.11244 1.642261 49.40867 2.374828
## 5 25.93216 1.711782 106.07453 2.523605
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 2 4 3 3 3 4 4 4 2 2 5 3 4 5 2 2
## 17 18 19 20 21 23 24 25 26 27 28 29 30 31 32 33
## 5 3 3 2 3 2 3 2 4 2 4 3 2 3 2 3
## 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
## 3 2 2 4 4 2 3 3 2 2 2 3 2 2 2 2
## 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
## 4 4 4 4 4 4 2 2 2 2 4 4 2 2 4 4
## 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81
## 2 3 5 5 2 3 4 2 2 3 4 4 3 3 2 2
## 82 83 84 85 86 87 88 89 90 91 92 94 95 96 97 98
## 3 3 4 3 2 3 3 2 3 3 2 4 4 2 2 4
## 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
## 4 2 2 2 4 2 3 4 4 3 5 3 3 2 4 4
## 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
## 2 4 3 3 4 3 3 5 4 2 3 3 2 2 2 3
## 131 132 133 135 136 137 138 139 140 141 142 143 144 145 146 147
## 4 2 4 5 3 2 3 3 2 2 2 3 3 2 2 4
## 148 149 150 151 152 153 154 155 156 157 158 159 160 161 163 164
## 3 2 3 3 2 2 3 3 2 4 2 2 3 2 2 3
## 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 3 1 2 3 3 3 3 2 2 2 2 2 4 3 3 2
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196
## 4 2 4 2 2 2 5 5 5 2 4 3 3 2 3 3
## 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212
## 2 1 4 2 3 3 5 3 2 3 5 3 2 2 5 4
## 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228
## 2 2 4 2 2 3 4 2 3 3 2 2 3 1 4 2
## 229 230 231 232 234 235 236 237 238 239 240 241 242 243 244 245
## 3 1 3 2 3 4 2 2 4 4 2 2 2 2 5 4
## 246 247 248 249 250 251 252 254 255 256 257 258 259 260 261 262
## 4 2 4 2 3 3 3 4 4 3 3 5 3 3 3 3
## 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278
## 2 4 2 4 4 3 2 2 5 4 2 2 2 4 4 2
## 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294
## 2 4 2 4 4 2 2 5 2 2 4 3 2 2 2 3
## 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310
## 5 2 4 3 3 3 2 4 4 4 3 1 2 4 3 2
## 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326
## 4 2 4 4 2 2 3 2 4 2 2 3 4 2 2 2
## 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342
## 4 3 2 3 4 4 3 4 4 4 2 2 2 4 2 4
## 343 344 346 347 348 349 350 351 352 353 354 355 356 357 358 359
## 5 2 4 4 5 3 1 2 2 4 4 2 2 2 4 5
## 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375
## 4 3 3 3 3 3 2 3 2 3 2 2 2 2 4 2
## 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391
## 3 2 2 2 2 3 3 4 5 2 4 4 3 5 2 4
## 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407
## 4 2 3 4 4 2 2 1 2 2 3 5 5 3 3 2
## 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423
## 2 3 4 2 2 3 3 5 2 3 3 3 3 2 2 2
## 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439
## 3 3 4 2 2 2 3 3 4 2 2 3 3 4 4 2
## 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455
## 2 4 4 2 4 2 4 3 3 5 2 2 2 2 4 2
## 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471
## 2 2 4 2 3 4 5 3 2 3 4 3 3 4 4 4
## 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487
## 3 2 4 2 2 2 4 2 4 4 2 4 2 3 2 3
## 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 504
## 5 3 4 3 2 3 2 2 2 4 4 5 1 5 1 1
## 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520
## 5 5 1 4 4 4 4 4 4 4 4 4 4 4 4 4
## 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536
## 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4
## 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552
## 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568
## 4 4 4 4 4 4 2 2 4 4 4 4 2 2 4 4
## 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584
## 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4
## 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600
## 4 4 4 4 4 4 4 4 2 2 2 2 2 4 4 4
## 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616
## 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632
## 4 2 4 4 4 4 4 4 4 4 2 4 4 4 4 4
## 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648
## 4 2 4 4 4 2 2 4 4 4 4 4 4 4 4 4
## 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664
## 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680
## 4 4 4 2 2 2 4 4 4 4 4 4 4 4 4 4
## 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696
## 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2
## 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712
## 4 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728
## 4 4 4 2 2 2 4 4 4 4 4 4 4 4 4 4
## 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744
## 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4
## 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760
## 4 3 2 3 3 2 3 3 3 3 3 3 3 2 2 2
## 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776
## 2 3 2 2 2 2 3 3 3 3 2 3 3 2 3 3
## 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792
## 3 2 3 3 3 2 3 3 4 2 2 3 3 2 2 2
## 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808
## 2 2 2 3 3 3 3 3 2 3 2 3 3 2 2 3
## 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824
## 3 2 2 3 3 3 3 3 3 3 3 3 3 3 2 2
## 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840
## 2 2 2 2 3 3 2 2 2 2 2 2 3 3 3 3
## 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856
## 3 3 3 3 2 2 3 3 3 3 2 3 3 3 3 3
## 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872
## 3 3 3 3 3 2 3 2 3 4 4 2 2 2 3 3
## 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888
## 3 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
## 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904
## 3 3 2 3 4 3 3 2 2 3 3 3 2 3 3 3
## 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920
## 3 3 3 3 3 3 3 2 2 2 2 2 2 2 3 3
## 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936
## 2 2 2 2 2 2 3 3 3 3 2 2 3 3 3 2
## 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952
## 2 3 3 3 3 3 2 3 3 3 3 2 3 3 3 4
## 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968
## 4 2 2 3 3 2 2 2 2 2 2 2 2 2 3 3
## 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984
## 3 3 3 3 3 2 3 3 2 3 3 3 3 5 3 3
## 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000
## 3 3 2 3 3 2 2 3 2 2 3 3 3 3 3 3
## 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1015 1016 1017
## 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3
## 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033
## 3 3 2 2 2 2 3 3 3 3 3 3 5 5 2 2
## 1034 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050
## 3 3 3 3 3 5 3 3 3 2 2 3 3 3 3 3
## 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066
## 5 3 3 3 3 5 3 3 2 3 3 3 3 3 3 3
## 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082
## 5 3 3 2 3 2 3 2 3 3 3 3 3 3 3 3
## 1083 1084 1085 1086 1087 1088 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099
## 3 5 3 3 3 3 3 3 3 3 2 2 3 3 3 5
## 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115
## 3 3 3 3 3 3 5 3 3 2 3 3 3 5 3 3
## 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131
## 3 3 3 2 3 3 3 3 3 3 3 5 3 3 3 3
## 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147
## 2 3 3 2 2 3 2 2 3 3 3 3 3 3 3 3
## 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1160 1161 1162 1163 1164
## 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3
## 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180
## 2 2 2 2 3 3 3 3 3 3 5 5 2 2 3 3
## 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196
## 3 3 3 3 5 3 3 3 2 2 3 3 3 3 3 5
## 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212
## 3 3 3 3 5 3 3 2 3 3 3 3 3 5 5 5
## 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228
## 5 3 3 3 3 3 3 5 3 3 3 3 5 5 3 3
## 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244
## 5 3 3 3 3 5 5 5 5 5 3 3 3 3 3 3
## 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260
## 3 5 5 3 5 5 3 3 5 5 5 5 5 5 3 3
## 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276
## 5 1 1 3 3 5 3 3 5 5 5 3 3 3 3 5
## 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292
## 5 3 5 5 5 5 5 3 3 3 3 3 3 5 5 3
## 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308
## 3 3 3 3 3 5 5 3 3 3 3 5 5 3 3 3
## 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324
## 3 3 3 3 3 5 3 3 5 5 5 5 5 3 3 3
## 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340
## 3 3 3 3 3 3 3 5 5 3 3 5 1 3 3 5
## 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356
## 5 5 5 5 5 3 3 5 5 1 1 3 3 5 5 3
## 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372
## 3 5 5 5 5 3 3 3 3 3 3 5 5 3 3 5
## 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388
## 5 5 5 5 5 5 5 5 5 3 3 3 3 3 3 3
## 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404
## 3 3 3 3 3 5 5 3 3 3 3 3 3 3 3 5
## 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420
## 5 5 5 3 3 3 3 5 5 3 3 3 3 3 3 3
## 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
## 3 5 5 5 5 5 5 5 5 5 5 3 3 3 3 3
## 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452
## 3 3 3 3 3 3 3 3 3 5 5 5 5 3 3 5
## 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468
## 5 1 5 3 3 3 3 5 5 5 5 5 5 5 5 5
## 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484
## 5 5 5 3 3 3 3 5 5 1 5 1 5 3 3 3
## 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500
## 3 5 5 3 3 3 3 5 5 5 5 5 5 3 3 3
## 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516
## 3 3 3 3 3 5 5 5 5 3 3 5 5 5 5 5
## 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532
## 5 1 1 1 1 1 5 1 1 1 1 5 1 1 5 1
## 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548
## 1 5 5 5 5 5 5 1 1 1 1 1 1 1 1 1
## 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564
## 1 1 1 5 5 1 1 5 5 5 5 5 5 5 5 5
## 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580
## 5 1 1 1 1 1 1 1 1 5 5 5 5 1 1 1
## 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596
## 1 1 1 1 1 5 5 1 1 1 1 5 5 1 1 1
## 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612
## 1 5 5 5 5 5 5 5 5 1 1 1 1 5 1 1
## 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628
## 1 1 1 1 1 5 5 1 1 5 5 5 5 5 5 5
## 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644
## 5 5 5 1 1 1 1 1 1 1 1 5 1 5 5 1
## 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660
## 1 1 1 1 1 1 1 5 5 1 1 1 1 5 5 1
## 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676
## 1 1 1 5 5 5 5 5 5 5 5 5 5 5 5 1
## 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692
## 1 1 1 1 1 1 1 1 1 5 1 1 1 1 1 1
## 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708
## 1 1 1 1 1 1 1 5 5 5 5 1 1 1 1 5
## 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740
## 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
## 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756
## 1 1 1 5 5 5 5 5 5 5 5 1 1 1 1 1
## 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772
## 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5 1
## 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788
## 1 1 1 1 1 1 1 5 5 5 5 1 1 1 1 1
## 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1804 1805
## 1 1 1 5 5 5 5 5 5 5 5 5 5 1 5 5
## 1806 1807 1808 1809 1810 1811 1812 1813 1814 1816 1817 1818 1819 1820 1821 1822
## 5 5 1 1 5 5 1 5 1 1 5 5 5 5 5 1
## 1823 1824 1825 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1840 1841
## 1 5 5 5 5 5 5 1 1 5 5 1 1 1 1 1
## 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1856 1857 1858 1859
## 5 5 5 5 1 1 5 5 5 5 1 1 5 5 5 5
## 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875
## 5 5 5 5 1 1 1 1 5 5 5 5 1 1 5 5
## 1876 1877 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893
## 1 1 1 1 5 5 5 5 5 5 5 5 5 5 1 1
## 1894 1895 1896 1897 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1912 1913
## 1 1 5 5 5 5 5 5 1 1 5 5 1 1 1 1
## 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1928 1929 1930 1931
## 5 5 5 5 1 1 5 5 5 5 1 1 5 5 5 5
## 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947
## 5 5 5 5 1 1 1 1 5 5 5 5 1 1 5 5
## 1948 1949 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965
## 1 1 1 1 5 5 5 5 5 5 5 5 5 5 1 1
## 1966 1967 1968 1969 1970 1971 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
## 1 1 5 5 5 5 5 5 5 5 5 5 5 5 1 1
## 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 2000 2001 2002 2003
## 1 1 5 5 5 5 1 1 1 1 1 1 1 1 1 1
## 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
## 5 5 5 5 5 5 5 5 1 1 1 1 5 5 5 5
## 2020 2021 2022 2023 2024 2025 2026 2027 2032 2033 2034 2035 2036 2037 2038 2039
## 5 5 5 5 1 1 1 1 5 5 5 5 5 5 5 5
## 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055
## 5 5 5 5 5 5 5 5 1 1 1 1 1 1 1 1
## 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071
## 5 5 5 5 5 5 5 5 1 1 1 1 5 5 5 5
## 2072 2073 2074 2075 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091
## 1 1 1 1 1 1 1 1 5 5 5 5 5 5 5 5
## 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107
## 5 5 5 5 5 5 5 5 5 5 5 5 1 1 1 1
## 2108 2109 2110 2111
## 1 1 1 1
##
## Within cluster sum of squares by cluster:
## [1] 20632.31 16052.49 49037.21 10582.92 25995.45
## (between_SS / total_SS = 91.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"# Añadir la información del cluster al conjunto de datos
df$Cluster <- as.factor(myCluster$cluster)
# Visualización del resultado del algoritmo K-means
ggplot(df, aes(x = Age, y = Weight, color = Cluster)) +
geom_point() +
labs(title = "Age vs. Weight",
x = "Age", y = "Weight", color = "Cluster") +
theme_minimal()
El valor óptimo de K es 5 lo cual se puede observar en el Elbow Graph (Gr?fico de codo)
Se detectaron 5 clusters descritos con las siguientes variables: Age,Height Weight y FCVC
La suma de cuadrados por clusters da 91,1 % la cual es bastante buena. Por defecto se utiliza la distancia euclidiana desde cada observación agrupada a su centroide respectivo:
tot.withinss <- vector(mode="character", length=10)
for (i in 1:10){
myCluster <- kmeans(df[,1:4], center=i, nstart=20)
tot.withinss[i] <- myCluster$tot.withinss
}
plot(1:10, tot.withinss, type="b", pch=19, main="ELBOW GRAPH")
5. Conclusiones
Se pueden concluir en el presente trabajo varios aspectos. Primeramente que existe diversidad de algoritmos de Machine Learning de tipo supervisado para ser usados en clasificación (binaria y multiclase). Algunos son más sencillos de configurar en lenguaje R que otros. Se pueden considerar para las métricas de comparación entre modelos de clasificación la precisión, la sensibilidad, especificidad y la puntuación F1 que se calculan a partir de los elementos de la matriz de confusión respectiva. En segundo lugar, se observó que en los clasificadores binarios el algoritmo KNN es el más sencillo de configurar que el árbol de decisión. En el problema planteado en el área de la salud, al clasificar a un individuo como fumador o no fumador, el clasificador de árbol de decisión proporciona mayor sensibilidad que el clasificador KNN, lo que implica que se puede minimizar los falsos negativos. En ese caso es mejor usar el clasificador de árbol de decisión. En el clasificador para la variable FAVC, la sensibilidad es mayor en el de tipo KNN, y por lo tanto es mejor en esta área de ciencias de la salud. Por otra parte, el clasificador multiclase proporcionó una exactitud de 98,3 %, lo cual es un valor muy alto, teniendo como variable de salida el nivel de obesidad. En cuanto a la precisión en los clasificadores binarios, es similar para KNN y árbol de decisión si la variable de salida es SMOKE. Es mayor para el clasificador KNN si se considera la variable de salida FAVC. Finalmente, el uso del algoritmo K-means permitió reconocer 5 grupos (clusters) con un promedio del error de cada cluster del 91,1 % usando una distancia euclidiana. El uso de la gráfica del codo (elbow) es muy eficaz para seleccionar el valor del número de clusters (grupos).