Clase 12
Abraham
2024-01-12
Cargar el conjunto de datos
telco = read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Estadistica-R/master/Caso_telefon%C3%ADa.csv", sep = ";", encoding = "latin1", stringsAsFactors = TRUE)
head(telco)## Código Género Sucursal Reclamos Llamadas Edad Minutos Monto Tiempo
## 1 CLIPE1 Masculino Suc. Este 5 7 27 33.0 90.7 16.9
## 2 CLIPE2 Femenino Suc. Este 2 4 28 31.7 95.7 1.5
## 3 CLIPE3 Masculino Suc. Este 5 7 28 39.9 114.5 4.0
## 4 CLIPE4 Masculino Suc. Este 3 5 21 39.3 106.0 14.5
## 5 CLIPE5 Femenino Suc. Este 2 3 29 37.8 99.0 2.7
## 6 CLIPE6 Masculino Suc. Este 3 4 26 43.7 90.2 11.5
## Opinión
## 1 Regular
## 2 Bueno
## 3 Pésimo
## 4 Muy Bueno
## 5 Pésimo
## 6 Bueno- Transformación raiz cuadrada
# Original
hist(telco$Edad, 12)
Para sarcar la raiz cuadrada simplemente se puede utilizar la funcion sqrt
sqrt(telco$Edad)## [1] 5.196152 5.291503 5.291503 4.582576 5.385165 5.099020 6.324555 6.324555
## [9] 5.477226 5.196152 5.291503 4.898979 5.099020 5.744563 4.582576 6.324555
## [17] 5.000000 6.164414 5.916080 5.567764 5.291503 5.099020 5.099020 5.744563
## [25] 5.830952 4.690416 5.099020 6.244998 5.567764 4.690416 5.291503 5.916080
## [33] 4.690416 6.324555 5.830952 4.472136 5.830952 4.472136 5.385165 5.744563
## [41] 4.795832 5.916080 4.898979 5.656854 5.656854 5.196152 6.082763 5.656854
## [49] 5.744563 5.916080 6.244998 5.830952 6.164414 6.244998 6.082763 5.656854
## [57] 6.082763 5.000000 5.099020 6.324555 6.324555 5.477226 5.291503 4.898979
## [65] 5.744563 4.582576 5.291503 4.582576 5.385165 6.000000 5.830952 4.472136
## [73] 5.830952 4.472136 5.385165 5.567764 4.690416 6.164414 6.000000 5.744563Graficamente
hist(sqrt(telco$Edad))
Tranformación exponencial
En R para poder obtener la transformación, se debe utilizar la función exp()
exp(telco$Edad)## [1] 5.320482e+11 1.446257e+12 1.446257e+12 1.318816e+09 3.931334e+12
## [6] 1.957296e+11 2.353853e+17 2.353853e+17 1.068647e+13 5.320482e+11
## [11] 1.446257e+12 2.648912e+10 1.957296e+11 2.146436e+14 1.318816e+09
## [16] 2.353853e+17 7.200490e+10 3.185593e+16 1.586013e+15 2.904885e+13
## [21] 1.446257e+12 1.957296e+11 1.957296e+11 2.146436e+14 5.834617e+14
## [26] 3.584913e+09 1.957296e+11 8.659340e+16 2.904885e+13 3.584913e+09
## [31] 1.446257e+12 1.586013e+15 3.584913e+09 2.353853e+17 5.834617e+14
## [36] 4.851652e+08 5.834617e+14 4.851652e+08 3.931334e+12 2.146436e+14
## [41] 9.744803e+09 1.586013e+15 2.648912e+10 7.896296e+13 7.896296e+13
## [46] 5.320482e+11 1.171914e+16 7.896296e+13 2.146436e+14 1.586013e+15
## [51] 8.659340e+16 5.834617e+14 3.185593e+16 8.659340e+16 1.171914e+16
## [56] 7.896296e+13 1.171914e+16 7.200490e+10 1.957296e+11 2.353853e+17
## [61] 2.353853e+17 1.068647e+13 1.446257e+12 2.648912e+10 2.146436e+14
## [66] 1.318816e+09 1.446257e+12 1.318816e+09 3.931334e+12 4.311232e+15
## [71] 5.834617e+14 4.851652e+08 5.834617e+14 4.851652e+08 3.931334e+12
## [76] 2.904885e+13 3.584913e+09 3.185593e+16 4.311232e+15 2.146436e+14Graficamente
hist(exp(telco$Edad))
Forma 2:
edad_ex <- exp(telco$Edad)
hist(edad_ex)
Tansformación logarítmica
Para la tranformación logarítmica, utiliza log (dentro de los argumentos se puede cambiar la base)
log(telco$Edad)## [1] 3.295837 3.332205 3.332205 3.044522 3.367296 3.258097 3.688879 3.688879
## [9] 3.401197 3.295837 3.332205 3.178054 3.258097 3.496508 3.044522 3.688879
## [17] 3.218876 3.637586 3.555348 3.433987 3.332205 3.258097 3.258097 3.496508
## [25] 3.526361 3.091042 3.258097 3.663562 3.433987 3.091042 3.332205 3.555348
## [33] 3.091042 3.688879 3.526361 2.995732 3.526361 2.995732 3.367296 3.496508
## [41] 3.135494 3.555348 3.178054 3.465736 3.465736 3.295837 3.610918 3.465736
## [49] 3.496508 3.555348 3.663562 3.526361 3.637586 3.663562 3.610918 3.465736
## [57] 3.610918 3.218876 3.258097 3.688879 3.688879 3.401197 3.332205 3.178054
## [65] 3.496508 3.044522 3.332205 3.044522 3.367296 3.583519 3.526361 2.995732
## [73] 3.526361 2.995732 3.367296 3.433987 3.091042 3.637586 3.583519 3.496508Graficamente
hist(log(telco$Edad))
Cambiar la base
log(telco$Edad, base = 2)## [1] 4.754888 4.807355 4.807355 4.392317 4.857981 4.700440 5.321928 5.321928
## [9] 4.906891 4.754888 4.807355 4.584963 4.700440 5.044394 4.392317 5.321928
## [17] 4.643856 5.247928 5.129283 4.954196 4.807355 4.700440 4.700440 5.044394
## [25] 5.087463 4.459432 4.700440 5.285402 4.954196 4.459432 4.807355 5.129283
## [33] 4.459432 5.321928 5.087463 4.321928 5.087463 4.321928 4.857981 5.044394
## [41] 4.523562 5.129283 4.584963 5.000000 5.000000 4.754888 5.209453 5.000000
## [49] 5.044394 5.129283 5.285402 5.087463 5.247928 5.285402 5.209453 5.000000
## [57] 5.209453 4.643856 4.700440 5.321928 5.321928 4.906891 4.807355 4.584963
## [65] 5.044394 4.392317 4.807355 4.392317 4.857981 5.169925 5.087463 4.321928
## [73] 5.087463 4.321928 4.857981 4.954196 4.459432 5.247928 5.169925 5.044394Graficamente
hist(log(telco$Edad, base = 2))
Compración de transfromación
#Obtener solo transformaciones
edad_sqrt <- sqrt(telco$Edad)
edad_ex <- exp(telco$Edad)
edad_ln <- log(telco$Edad)
edad_log2 <- log(telco$Edad, base = 2)
edad_log5 <- log(telco$Edad, base = 5)Ver graficamente cada una
par(mfrow=c(3,2))
hist(telco$Edad)
hist(edad_sqrt)
hist(edad_ex)
hist(edad_ln)
hist(edad_log2)
hist(edad_log5)
Este tipo de transformaciones, busca que los datos sean simetricos (distribuicion forma de campana) o que se cumpla el supuesto estadistico
La visualizacion de distribucion puede mejorarse con la grafica de densidad
par(mfrow=c(3,2))
plot(density(telco$Edad), main = "Distribución de edades originales")
plot(density(edad_sqrt), main = "Distribución de edades transformadas - sqrt")
plot(density(edad_ex), main = "Distribución de edades transformadas - exp")
plot(density(edad_ln), main = "Distribución de edades transformadas - ln")
plot(density(edad_log2), main = "Distribución de edades transformadas - log2")
plot(density(edad_log5), main = "Distribución de edades transformadas - log5")
Se puede realizar un analisis general de las variables ariginales y cerificar su comportamiento, a partir de alli se puede aplicar la transfromación mas adecuado sungun su objetivo.
Grafica general
library(PerformanceAnalytics)
chart.Correlation(cor(telco[,4:8]), histogram = TRUE)
Estandarizacion:
Desde el punto de vsita estadistico la estadarizacion se aplica a la transformacion Z: se debe restar cada dato con su media y dividir el resultado con la desviacion estandar.
\[ z=\frac{x_i-\mu}{\sigma} \]
Donde: - \(X_i\) representa cada dato dentro del caso - \(\mu\) Es la medida poblacional - \(\sigma\) Es la desviacion estandar poblacional
Vamos a aplicar estandarizacion z a la variable monto
Metodo 1: por partes
telco$Monto## [1] 90.7 95.7 114.5 106.0 99.0 90.2 102.5 92.2 110.1 96.5 88.3 85.6
## [13] 89.7 88.8 84.0 84.2 91.7 74.1 88.8 91.6 80.0 88.4 78.5 88.3
## [25] 85.6 88.6 78.8 81.6 86.3 83.8 90.7 95.7 99.3 83.3 97.3 82.8
## [37] 94.3 96.5 78.8 100.2 82.5 82.6 94.5 86.3 88.3 83.7 83.8 84.1
## [49] 83.2 84.8 98.9 119.1 103.4 109.6 106.0 100.6 103.0 110.5 112.4 90.7
## [61] 112.5 108.3 106.0 99.0 90.2 102.5 92.2 110.1 96.5 92.0 84.2 88.4
## [73] 78.5 88.3 85.6 88.6 78.8 81.6 86.3 83.8media_monto <- mean(telco$Monto)
media_monto## [1] 92.305desv_est <- sd(telco$Monto)
desv_est## [1] 10.11737monto_estandar <- (telco$Monto - media_monto)/desv_est
monto_estandar## [1] -0.15863801 0.33556141 2.19375124 1.35361222 0.66173303 -0.20805796
## [7] 1.00767262 -0.01037819 1.75885575 0.41463332 -0.39585374 -0.66272143
## [13] -0.25747790 -0.34643380 -0.82086524 -0.80109726 -0.05979813 -1.79938010
## [19] -0.34643380 -0.06968212 -1.21622478 -0.38596975 -1.36448461 -0.39585374
## [25] -0.66272143 -0.36620177 -1.33483264 -1.05808096 -0.59353351 -0.84063322
## [31] -0.15863801 0.33556141 0.69138499 -0.89005316 0.49370522 -0.93947310
## [37] 0.19718557 0.41463332 -1.33483264 0.78034089 -0.96912507 -0.95924108
## [43] 0.21695355 -0.59353351 -0.39585374 -0.85051721 -0.84063322 -0.81098125
## [49] -0.89993715 -0.74179333 0.65184904 2.64841471 1.09662852 1.70943580
## [55] 1.35361222 0.81987684 1.05709257 1.79839170 1.98618748 -0.15863801
## [61] 1.99607147 1.58094395 1.35361222 0.66173303 -0.20805796 1.00767262
## [67] -0.01037819 1.75885575 0.41463332 -0.03014616 -0.80109726 -0.38596975
## [73] -1.36448461 -0.39585374 -0.66272143 -0.36620177 -1.33483264 -1.05808096
## [79] -0.59353351 -0.84063322Metodo 2: Directo
monto_estandar2 <- (telco$Monto - mean(telco$Monto))/sd(telco$Monto)
monto_estandar2## [1] -0.15863801 0.33556141 2.19375124 1.35361222 0.66173303 -0.20805796
## [7] 1.00767262 -0.01037819 1.75885575 0.41463332 -0.39585374 -0.66272143
## [13] -0.25747790 -0.34643380 -0.82086524 -0.80109726 -0.05979813 -1.79938010
## [19] -0.34643380 -0.06968212 -1.21622478 -0.38596975 -1.36448461 -0.39585374
## [25] -0.66272143 -0.36620177 -1.33483264 -1.05808096 -0.59353351 -0.84063322
## [31] -0.15863801 0.33556141 0.69138499 -0.89005316 0.49370522 -0.93947310
## [37] 0.19718557 0.41463332 -1.33483264 0.78034089 -0.96912507 -0.95924108
## [43] 0.21695355 -0.59353351 -0.39585374 -0.85051721 -0.84063322 -0.81098125
## [49] -0.89993715 -0.74179333 0.65184904 2.64841471 1.09662852 1.70943580
## [55] 1.35361222 0.81987684 1.05709257 1.79839170 1.98618748 -0.15863801
## [61] 1.99607147 1.58094395 1.35361222 0.66173303 -0.20805796 1.00767262
## [67] -0.01037819 1.75885575 0.41463332 -0.03014616 -0.80109726 -0.38596975
## [73] -1.36448461 -0.39585374 -0.66272143 -0.36620177 -1.33483264 -1.05808096
## [79] -0.59353351 -0.84063322Metodo 3: Apoyarse con las funciones de R R tiene multiples funciones para estandarizar, la clasica scale
monto_estandar3 <- scale(telco$Monto)
monto_estandar3## [,1]
## [1,] -0.15863801
## [2,] 0.33556141
## [3,] 2.19375124
## [4,] 1.35361222
## [5,] 0.66173303
## [6,] -0.20805796
## [7,] 1.00767262
## [8,] -0.01037819
## [9,] 1.75885575
## [10,] 0.41463332
## [11,] -0.39585374
## [12,] -0.66272143
## [13,] -0.25747790
## [14,] -0.34643380
## [15,] -0.82086524
## [16,] -0.80109726
## [17,] -0.05979813
## [18,] -1.79938010
## [19,] -0.34643380
## [20,] -0.06968212
## [21,] -1.21622478
## [22,] -0.38596975
## [23,] -1.36448461
## [24,] -0.39585374
## [25,] -0.66272143
## [26,] -0.36620177
## [27,] -1.33483264
## [28,] -1.05808096
## [29,] -0.59353351
## [30,] -0.84063322
## [31,] -0.15863801
## [32,] 0.33556141
## [33,] 0.69138499
## [34,] -0.89005316
## [35,] 0.49370522
## [36,] -0.93947310
## [37,] 0.19718557
## [38,] 0.41463332
## [39,] -1.33483264
## [40,] 0.78034089
## [41,] -0.96912507
## [42,] -0.95924108
## [43,] 0.21695355
## [44,] -0.59353351
## [45,] -0.39585374
## [46,] -0.85051721
## [47,] -0.84063322
## [48,] -0.81098125
## [49,] -0.89993715
## [50,] -0.74179333
## [51,] 0.65184904
## [52,] 2.64841471
## [53,] 1.09662852
## [54,] 1.70943580
## [55,] 1.35361222
## [56,] 0.81987684
## [57,] 1.05709257
## [58,] 1.79839170
## [59,] 1.98618748
## [60,] -0.15863801
## [61,] 1.99607147
## [62,] 1.58094395
## [63,] 1.35361222
## [64,] 0.66173303
## [65,] -0.20805796
## [66,] 1.00767262
## [67,] -0.01037819
## [68,] 1.75885575
## [69,] 0.41463332
## [70,] -0.03014616
## [71,] -0.80109726
## [72,] -0.38596975
## [73,] -1.36448461
## [74,] -0.39585374
## [75,] -0.66272143
## [76,] -0.36620177
## [77,] -1.33483264
## [78,] -1.05808096
## [79,] -0.59353351
## [80,] -0.84063322
## attr(,"scaled:center")
## [1] 92.305
## attr(,"scaled:scale")
## [1] 10.11737La ventaja de la funcion de R es que se puede enviar todo el caso
telco_cuanti_scale <- scale(telco[ , 4:9])
head(telco_cuanti_scale)## Reclamos Llamadas Edad Minutos Monto Tiempo
## [1,] 0.6462614 0.86099329 -0.5465360 -0.52591040 -0.1586380 1.5218742
## [2,] -0.7263292 -0.37636234 -0.3802893 -0.67800907 0.3355614 -0.6349750
## [3,] 0.6462614 0.86099329 -0.3802893 0.28138254 2.1937512 -0.2848372
## [4,] -0.2687990 0.03608954 -1.5440161 0.21118315 1.3536122 1.1857419
## [5,] -0.7263292 -0.78881422 -0.2140426 0.03568469 0.6617330 -0.4669088
## [6,] -0.2687990 -0.37636234 -0.7127827 0.72597865 -0.2080580 0.7655764Recordar: En una sesión anterior se realizo grafico de caja para verificar la presencia de outliers No re recomienda trabajar con valores originales para la siguiente grafica
boxplot(telco[,4:9])
Lo mas recomndable es realizar el grafico con los valores de las variables transformadas
boxplot(telco_cuanti_scale)
Normalizacion:
Estandarizacion min-max
\[ X_{norm}=\frac{\left(X_i-X_{\min }\right)}{X_{\max }-X_{\min }} \]
Metodo 1:
monto_normal <- (telco$Monto - min(telco$Monto))/(max(telco$Monto - min(telco$Monto)))
monto_normal## [1] 0.36888889 0.48000000 0.89777778 0.70888889 0.55333333 0.35777778
## [7] 0.63111111 0.40222222 0.80000000 0.49777778 0.31555556 0.25555556
## [13] 0.34666667 0.32666667 0.22000000 0.22444444 0.39111111 0.00000000
## [19] 0.32666667 0.38888889 0.13111111 0.31777778 0.09777778 0.31555556
## [25] 0.25555556 0.32222222 0.10444444 0.16666667 0.27111111 0.21555556
## [31] 0.36888889 0.48000000 0.56000000 0.20444444 0.51555556 0.19333333
## [37] 0.44888889 0.49777778 0.10444444 0.58000000 0.18666667 0.18888889
## [43] 0.45333333 0.27111111 0.31555556 0.21333333 0.21555556 0.22222222
## [49] 0.20222222 0.23777778 0.55111111 1.00000000 0.65111111 0.78888889
## [55] 0.70888889 0.58888889 0.64222222 0.80888889 0.85111111 0.36888889
## [61] 0.85333333 0.76000000 0.70888889 0.55333333 0.35777778 0.63111111
## [67] 0.40222222 0.80000000 0.49777778 0.39777778 0.22444444 0.31777778
## [73] 0.09777778 0.31555556 0.25555556 0.32222222 0.10444444 0.16666667
## [79] 0.27111111 0.21555556Metodo 2: utilizando la funcion de R rescale
library(scales)
rescale(telco$Monto) ## [1] 0.36888889 0.48000000 0.89777778 0.70888889 0.55333333 0.35777778
## [7] 0.63111111 0.40222222 0.80000000 0.49777778 0.31555556 0.25555556
## [13] 0.34666667 0.32666667 0.22000000 0.22444444 0.39111111 0.00000000
## [19] 0.32666667 0.38888889 0.13111111 0.31777778 0.09777778 0.31555556
## [25] 0.25555556 0.32222222 0.10444444 0.16666667 0.27111111 0.21555556
## [31] 0.36888889 0.48000000 0.56000000 0.20444444 0.51555556 0.19333333
## [37] 0.44888889 0.49777778 0.10444444 0.58000000 0.18666667 0.18888889
## [43] 0.45333333 0.27111111 0.31555556 0.21333333 0.21555556 0.22222222
## [49] 0.20222222 0.23777778 0.55111111 1.00000000 0.65111111 0.78888889
## [55] 0.70888889 0.58888889 0.64222222 0.80888889 0.85111111 0.36888889
## [61] 0.85333333 0.76000000 0.70888889 0.55333333 0.35777778 0.63111111
## [67] 0.40222222 0.80000000 0.49777778 0.39777778 0.22444444 0.31777778
## [73] 0.09777778 0.31555556 0.25555556 0.32222222 0.10444444 0.16666667
## [79] 0.27111111 0.21555556Aplicando a todos los casos (var cuantitativas) la funcion rescale solo permite aplicarse en vectores, no es posible directamente aplicar a data frame :’v
library(caret)## Loading required package: ggplot2## Loading required package: latticepre_procesamiento <- preProcess(telco[,4:9])
predict(pre_procesamiento, telco)## Código Género Sucursal Reclamos Llamadas Edad Minutos
## 1 CLIPE1 Masculino Suc. Este 0.6462614 0.86099329 -0.54653598 -0.52591040
## 2 CLIPE2 Femenino Suc. Este -0.7263292 -0.37636234 -0.38028929 -0.67800907
## 3 CLIPE3 Masculino Suc. Este 0.6462614 0.86099329 -0.38028929 0.28138254
## 4 CLIPE4 Masculino Suc. Este -0.2687990 0.03608954 -1.54401609 0.21118315
## 5 CLIPE5 Femenino Suc. Este -0.7263292 -0.78881422 -0.21404261 0.03568469
## 6 CLIPE6 Masculino Suc. Este -0.2687990 -0.37636234 -0.71278266 0.72597865
## 7 CLIPE7 Masculino Suc. Este 1.1037917 1.27344517 1.61467093 1.00677619
## 8 CLIPE8 Masculino Suc. Este -0.7263292 -0.37636234 1.61467093 0.01228489
## 9 CLIPE9 Masculino Suc. Este -0.2687990 0.44854142 -0.04779592 0.52708039
## 10 CLIPE10 Masculino Suc. Este -1.1838595 -0.37636234 -0.54653598 0.64407937
## 11 CLIPE11 Masculino Suc. Este -0.2687990 0.03608954 -0.38028929 0.85467753
## 12 CLIPE12 Masculino Suc. Este -0.2687990 -0.78881422 -1.04527603 0.01228489
## 13 CLIPE13 Femenino Suc. Norte -0.7263292 -0.37636234 -0.71278266 -1.22790426
## 14 CLIPE14 Masculino Suc. Norte -1.1838595 -1.20126609 0.45094413 -0.86520743
## 15 CLIPE15 Masculino Suc. Norte 0.1887312 0.03608954 -1.54401609 -1.28640375
## 16 CLIPE16 Femenino Suc. Norte -0.2687990 0.03608954 1.61467093 -1.07580559
## 17 CLIPE17 Femenino Suc. Norte -0.2687990 0.44854142 -0.87902935 -0.91200702
## 18 CLIPE18 Femenino Suc. Norte 0.1887312 0.03608954 1.28217756 -0.58440989
## 19 CLIPE19 Femenino Suc. Norte 0.1887312 -0.37636234 0.78343750 -1.49700191
## 20 CLIPE20 Femenino Suc. Norte -1.1838595 0.44854142 0.11845076 -1.48530201
## 21 CLIPE21 Femenino Suc. Norte -0.2687990 0.86099329 -0.38028929 -0.61950958
## 22 CLIPE22 Femenino Suc. Norte -1.1838595 -1.61371797 -0.71278266 -1.26300395
## 23 CLIPE23 Masculino Suc. Norte 1.5613219 1.68589705 -0.71278266 -0.71310876
## 24 CLIPE24 Femenino Suc. Norte -0.2687990 0.03608954 0.45094413 -0.74820846
## 25 CLIPE25 Femenino Suc. Norte -0.2687990 0.44854142 0.61719082 -1.26300395
## 26 CLIPE26 Femenino Suc. Norte -0.7263292 0.44854142 -1.37776940 -0.39721153
## 27 CLIPE27 Femenino Suc. Norte 0.1887312 0.44854142 -0.71278266 -1.20450447
## 28 CLIPE28 Femenino Suc. Norte 0.6462614 0.86099329 1.44842424 -1.06410569
## 29 CLIPE29 Masculino Suc. Sur -1.1838595 -1.61371797 0.11845076 1.41627261
## 30 CLIPE30 Femenino Suc. Sur 0.6462614 0.86099329 -1.37776940 -1.04070590
## 31 CLIPE31 Femenino Suc. Sur -0.7263292 -0.37636234 -0.38028929 -0.02281480
## 32 CLIPE32 Femenino Suc. Sur -0.2687990 0.03608954 0.78343750 -0.42061132
## 33 CLIPE33 Masculino Suc. Sur -0.2687990 -0.78881422 -1.37776940 0.05908448
## 34 CLIPE34 Femenino Suc. Sur 0.1887312 -0.37636234 1.61467093 0.49198070
## 35 CLIPE35 Femenino Suc. Sur -1.1838595 -1.61371797 0.61719082 0.09418418
## 36 CLIPE36 Femenino Suc. Sur -0.7263292 -0.78881422 -1.71026277 1.29927364
## 37 CLIPE37 Masculino Suc. Sur -0.7263292 -0.78881422 0.61719082 -0.50251061
## 38 CLIPE38 Femenino Suc. Sur -1.1838595 -1.20126609 -1.71026277 0.41008141
## 39 CLIPE39 Femenino Suc. Sur 0.1887312 0.86099329 -0.21404261 0.49198070
## 40 CLIPE40 Femenino Suc. Sur 0.1887312 0.03608954 0.45094413 -0.33871204
## 41 CLIPE41 Masculino Suc. Sur -0.2687990 1.27344517 -1.21152272 1.17057476
## 42 CLIPE42 Masculino Suc. Sur -1.1838595 -1.20126609 0.78343750 -0.29191245
## 43 CLIPE43 Femenino Suc. Sur -0.2687990 1.27344517 -1.04527603 -0.08131429
## 44 CLIPE44 Masculino Suc. Sur -1.1838595 -1.61371797 0.28469745 0.71427875
## 45 CLIPE45 Masculino Suc. Sur -0.7263292 -0.78881422 0.28469745 -0.26851265
## 46 CLIPE46 Femenino Suc. Sur 1.5613219 1.27344517 -0.54653598 0.03568469
## 47 CLIPE47 Masculino Suc. Sur -0.2687990 -0.37636234 1.11593087 0.02398479
## 48 CLIPE48 Masculino Suc. Centro 0.6462614 1.27344517 0.28469745 0.46858090
## 49 CLIPE49 Masculino Suc. Centro -0.2687990 0.86099329 0.45094413 1.49817190
## 50 CLIPE50 Masculino Suc. Centro 1.5613219 1.27344517 0.78343750 -0.45571101
## 51 CLIPE51 Masculino Suc. Centro 2.0188521 1.68589705 1.44842424 1.69707016
## 52 CLIPE52 Masculino Suc. Centro 0.6462614 0.03608954 0.61719082 1.50987179
## 53 CLIPE53 Masculino Suc. Centro 2.0188521 1.27344517 1.28217756 -0.15151367
## 54 CLIPE54 Femenino Suc. Centro 0.1887312 -0.37636234 1.44842424 0.26968264
## 55 CLIPE55 Masculino Suc. Centro 0.1887312 0.03608954 1.11593087 2.89045972
## 56 CLIPE56 Masculino Suc. Centro -0.2687990 -0.37636234 0.28469745 0.94827671
## 57 CLIPE57 Femenino Suc. Centro 1.5613219 0.86099329 1.11593087 1.29927364
## 58 CLIPE58 Masculino Suc. Centro 0.6462614 0.03608954 -0.87902935 0.25798274
## 59 CLIPE59 Femenino Suc. Centro -0.7263292 -0.78881422 -0.71278266 -1.38000293
## 60 CLIPE60 Masculino Suc. Centro -0.2687990 -0.37636234 1.61467093 0.33988203
## 61 CLIPE61 Femenino Suc. Centro 2.0188521 1.27344517 1.61467093 1.03017599
## 62 CLIPE62 Masculino Suc. Centro 0.1887312 -0.37636234 -0.04779592 0.71427875
## 63 CLIPE63 Femenino Suc. Centro 2.0188521 1.27344517 -0.38028929 2.07146688
## 64 CLIPE64 Masculino Suc. Centro 3.3914428 3.33570456 -1.04527603 0.18778336
## 65 CLIPE65 Femenino Suc. Centro 0.6462614 0.44854142 0.45094413 1.65027057
## 66 CLIPE66 Femenino Suc. Centro 0.1887312 0.86099329 -1.54401609 0.77277824
## 67 CLIPE67 Femenino Suc. Centro 2.4763823 1.68589705 -0.38028929 0.17608346
## 68 CLIPE68 Femenino Suc. Centro 2.0188521 1.27344517 -1.54401609 1.72046995
## 69 CLIPE69 Masculino Suc. Centro -0.2687990 -0.78881422 -0.21404261 1.88426852
## 70 CLIPE70 Masculino Suc. Centro -0.7263292 -1.20126609 0.94968419 -0.13981378
## 71 CLIPE71 Masculino Suc. Este -1.1838595 -1.61371797 0.61719082 -1.54380150
## 72 CLIPE72 Femenino Suc. Este -1.1838595 -1.61371797 -1.71026277 -0.66630917
## 73 CLIPE73 Femenino Suc. Este -0.2687990 -0.78881422 0.61719082 -0.52591040
## 74 CLIPE74 Masculino Suc. Este 0.1887312 0.03608954 -1.71026277 -0.67800907
## 75 CLIPE75 Femenino Suc. Este -0.7263292 -1.20126609 -0.21404261 -0.71310876
## 76 CLIPE76 Masculino Suc. Este -1.1838595 -1.20126609 0.11845076 -1.23960416
## 77 CLIPE77 Masculino Suc. Este -0.7263292 -0.78881422 -1.37776940 -2.33939454
## 78 CLIPE78 Masculino Suc. Este -0.2687990 -0.78881422 1.28217756 -0.88860723
## 79 CLIPE79 Masculino Suc. Este -0.7263292 -0.78881422 0.94968419 -0.13981378
## 80 CLIPE80 Masculino Suc. Este -0.7263292 -1.20126609 0.45094413 -0.66630917
## Monto Tiempo Opinión
## 1 -0.15863801 1.52187422 Regular
## 2 0.33556141 -0.63497501 Bueno
## 3 2.19375124 -0.28483715 Pésimo
## 4 1.35361222 1.18574187 Muy Bueno
## 5 0.66173303 -0.46690884 Pésimo
## 6 -0.20805796 0.76557644 Bueno
## 7 1.00767262 -0.77503016 Pésimo
## 8 -0.01037819 -0.66298604 Pésimo
## 9 1.75885575 -0.10276546 Bueno
## 10 0.41463332 -0.67699156 Bueno
## 11 -0.39585374 -0.60696398 Excelente
## 12 -0.66272143 2.02607274 Muy Bueno
## 13 -0.25747790 -0.73301361 Excelente
## 14 -0.34643380 -0.78903567 Muy Bueno
## 15 -0.82086524 -0.45290332 Regular
## 16 -0.80109726 -0.03273789 Muy Bueno
## 17 -0.05979813 -0.25682612 Excelente
## 18 -1.79938010 -0.73301361 Regular
## 19 -0.34643380 0.48546615 Muy Bueno
## 20 -0.06968212 -0.48091435 Pésimo
## 21 -1.21622478 -0.21480958 Muy Bueno
## 22 -0.38596975 -0.66298604 Bueno
## 23 -1.36448461 -0.48091435 Muy Bueno
## 24 -0.39585374 -0.07475443 Pésimo
## 25 -0.66272143 -0.46690884 Bueno
## 26 -0.36620177 0.76557644 Pésimo
## 27 -1.33483264 -0.77503016 Excelente
## 28 -1.05808096 -0.66298604 Excelente
## 29 -0.59353351 -0.10276546 Pésimo
## 30 -0.84063322 -0.67699156 Muy Bueno
## 31 -0.15863801 -0.60696398 Muy Bueno
## 32 0.33556141 2.02607274 Pésimo
## 33 0.69138499 -0.38287575 Muy Bueno
## 34 -0.89005316 -0.80304119 Regular
## 35 0.49370522 -0.60696398 Pésimo
## 36 -0.93947310 1.46585216 Pésimo
## 37 0.19718557 -0.29884267 Pésimo
## 38 0.41463332 2.88040912 Pésimo
## 39 -1.33483264 -0.50892538 Muy Bueno
## 40 0.78034089 -0.80304119 Muy Bueno
## 41 -0.96912507 -0.46690884 Excelente
## 42 -0.95924108 2.33419406 Pésimo
## 43 0.21695355 -0.21480958 Bueno
## 44 -0.59353351 -0.20080406 Bueno
## 45 -0.39585374 0.30339446 Excelente
## 46 -0.85051721 -0.11677098 Regular
## 47 -0.84063322 -0.28483715 Muy Bueno
## 48 -0.81098125 0.90563158 Pésimo
## 49 -0.89993715 2.47424920 Pésimo
## 50 -0.74179333 -0.46690884 Regular
## 51 0.65184904 4.19692748 Pésimo
## 52 2.64841471 -0.77503016 Excelente
## 53 1.09662852 -0.62096950 Excelente
## 54 1.70943580 -0.60696398 Regular
## 55 1.35361222 -0.73301361 Bueno
## 56 0.81987684 -0.53693641 Bueno
## 57 1.05709257 -0.17279303 Excelente
## 58 1.79839170 -0.53693641 Muy Bueno
## 59 1.98618748 -0.28483715 Regular
## 60 -0.15863801 1.52187422 Pésimo
## 61 1.99607147 -0.63497501 Muy Bueno
## 62 1.58094395 -0.45290332 Excelente
## 63 1.35361222 -0.35486472 Bueno
## 64 0.66173303 -0.28483715 Bueno
## 65 -0.20805796 1.18574187 Pésimo
## 66 1.00767262 -0.41088678 Pésimo
## 67 -0.01037819 -0.18679855 Excelente
## 68 1.75885575 -0.29884267 Pésimo
## 69 0.41463332 0.07930623 Muy Bueno
## 70 -0.03014616 0.79358746 Pésimo
## 71 -0.80109726 -0.48091435 Bueno
## 72 -0.38596975 -0.10276546 Pésimo
## 73 -1.36448461 -0.67699156 Bueno
## 74 -0.39585374 -0.60696398 Bueno
## 75 -0.66272143 2.02607274 Excelente
## 76 -0.36620177 -0.38287575 Muy Bueno
## 77 -1.33483264 -0.80304119 Regular
## 78 -1.05808096 -0.60696398 Pésimo
## 79 -0.59353351 -0.53693641 Muy Bueno
## 80 -0.84063322 -0.28483715 Excelentelibrary(caret)
pre_procesamiento <- preProcess(telco[,4:9], method = "range")
predict(pre_procesamiento, telco)## Código Género Sucursal Reclamos Llamadas Edad Minutos Monto
## 1 CLIPE1 Masculino Suc. Este 0.4 0.50000000 0.35 0.3467562 0.36888889
## 2 CLIPE2 Femenino Suc. Este 0.1 0.25000000 0.40 0.3176734 0.48000000
## 3 CLIPE3 Masculino Suc. Este 0.4 0.50000000 0.40 0.5011186 0.89777778
## 4 CLIPE4 Masculino Suc. Este 0.2 0.33333333 0.05 0.4876957 0.70888889
## 5 CLIPE5 Femenino Suc. Este 0.1 0.16666667 0.45 0.4541387 0.55333333
## 6 CLIPE6 Masculino Suc. Este 0.2 0.25000000 0.30 0.5861298 0.35777778
## 7 CLIPE7 Masculino Suc. Este 0.5 0.58333333 1.00 0.6398210 0.63111111
## 8 CLIPE8 Masculino Suc. Este 0.1 0.25000000 1.00 0.4496644 0.40222222
## 9 CLIPE9 Masculino Suc. Este 0.2 0.41666667 0.50 0.5480984 0.80000000
## 10 CLIPE10 Masculino Suc. Este 0.0 0.25000000 0.35 0.5704698 0.49777778
## 11 CLIPE11 Masculino Suc. Este 0.2 0.33333333 0.40 0.6107383 0.31555556
## 12 CLIPE12 Masculino Suc. Este 0.2 0.16666667 0.20 0.4496644 0.25555556
## 13 CLIPE13 Femenino Suc. Norte 0.1 0.25000000 0.30 0.2125280 0.34666667
## 14 CLIPE14 Masculino Suc. Norte 0.0 0.08333333 0.65 0.2818792 0.32666667
## 15 CLIPE15 Masculino Suc. Norte 0.3 0.33333333 0.05 0.2013423 0.22000000
## 16 CLIPE16 Femenino Suc. Norte 0.2 0.33333333 1.00 0.2416107 0.22444444
## 17 CLIPE17 Femenino Suc. Norte 0.2 0.41666667 0.25 0.2729306 0.39111111
## 18 CLIPE18 Femenino Suc. Norte 0.3 0.33333333 0.90 0.3355705 0.00000000
## 19 CLIPE19 Femenino Suc. Norte 0.3 0.25000000 0.75 0.1610738 0.32666667
## 20 CLIPE20 Femenino Suc. Norte 0.0 0.41666667 0.55 0.1633110 0.38888889
## 21 CLIPE21 Femenino Suc. Norte 0.2 0.50000000 0.40 0.3288591 0.13111111
## 22 CLIPE22 Femenino Suc. Norte 0.0 0.00000000 0.30 0.2058166 0.31777778
## 23 CLIPE23 Masculino Suc. Norte 0.6 0.66666667 0.30 0.3109620 0.09777778
## 24 CLIPE24 Femenino Suc. Norte 0.2 0.33333333 0.65 0.3042506 0.31555556
## 25 CLIPE25 Femenino Suc. Norte 0.2 0.41666667 0.70 0.2058166 0.25555556
## 26 CLIPE26 Femenino Suc. Norte 0.1 0.41666667 0.10 0.3713647 0.32222222
## 27 CLIPE27 Femenino Suc. Norte 0.3 0.41666667 0.30 0.2170022 0.10444444
## 28 CLIPE28 Femenino Suc. Norte 0.4 0.50000000 0.95 0.2438479 0.16666667
## 29 CLIPE29 Masculino Suc. Sur 0.0 0.00000000 0.55 0.7181208 0.27111111
## 30 CLIPE30 Femenino Suc. Sur 0.4 0.50000000 0.10 0.2483221 0.21555556
## 31 CLIPE31 Femenino Suc. Sur 0.1 0.25000000 0.40 0.4429530 0.36888889
## 32 CLIPE32 Femenino Suc. Sur 0.2 0.33333333 0.75 0.3668904 0.48000000
## 33 CLIPE33 Masculino Suc. Sur 0.2 0.16666667 0.10 0.4586130 0.56000000
## 34 CLIPE34 Femenino Suc. Sur 0.3 0.25000000 1.00 0.5413870 0.20444444
## 35 CLIPE35 Femenino Suc. Sur 0.0 0.00000000 0.70 0.4653244 0.51555556
## 36 CLIPE36 Femenino Suc. Sur 0.1 0.16666667 0.00 0.6957494 0.19333333
## 37 CLIPE37 Masculino Suc. Sur 0.1 0.16666667 0.70 0.3512304 0.44888889
## 38 CLIPE38 Femenino Suc. Sur 0.0 0.08333333 0.00 0.5257271 0.49777778
## 39 CLIPE39 Femenino Suc. Sur 0.3 0.50000000 0.45 0.5413870 0.10444444
## 40 CLIPE40 Femenino Suc. Sur 0.3 0.33333333 0.65 0.3825503 0.58000000
## 41 CLIPE41 Masculino Suc. Sur 0.2 0.58333333 0.15 0.6711409 0.18666667
## 42 CLIPE42 Masculino Suc. Sur 0.0 0.08333333 0.75 0.3914989 0.18888889
## 43 CLIPE43 Femenino Suc. Sur 0.2 0.58333333 0.20 0.4317673 0.45333333
## 44 CLIPE44 Masculino Suc. Sur 0.0 0.00000000 0.60 0.5838926 0.27111111
## 45 CLIPE45 Masculino Suc. Sur 0.1 0.16666667 0.60 0.3959732 0.31555556
## 46 CLIPE46 Femenino Suc. Sur 0.6 0.58333333 0.35 0.4541387 0.21333333
## 47 CLIPE47 Masculino Suc. Sur 0.2 0.25000000 0.85 0.4519016 0.21555556
## 48 CLIPE48 Masculino Suc. Centro 0.4 0.58333333 0.60 0.5369128 0.22222222
## 49 CLIPE49 Masculino Suc. Centro 0.2 0.50000000 0.65 0.7337808 0.20222222
## 50 CLIPE50 Masculino Suc. Centro 0.6 0.58333333 0.75 0.3601790 0.23777778
## 51 CLIPE51 Masculino Suc. Centro 0.7 0.66666667 0.95 0.7718121 0.55111111
## 52 CLIPE52 Masculino Suc. Centro 0.4 0.33333333 0.70 0.7360179 1.00000000
## 53 CLIPE53 Masculino Suc. Centro 0.7 0.58333333 0.90 0.4183445 0.65111111
## 54 CLIPE54 Femenino Suc. Centro 0.3 0.25000000 0.95 0.4988814 0.78888889
## 55 CLIPE55 Masculino Suc. Centro 0.3 0.33333333 0.85 1.0000000 0.70888889
## 56 CLIPE56 Masculino Suc. Centro 0.2 0.25000000 0.60 0.6286353 0.58888889
## 57 CLIPE57 Femenino Suc. Centro 0.6 0.50000000 0.85 0.6957494 0.64222222
## 58 CLIPE58 Masculino Suc. Centro 0.4 0.33333333 0.25 0.4966443 0.80888889
## 59 CLIPE59 Femenino Suc. Centro 0.1 0.16666667 0.30 0.1834452 0.85111111
## 60 CLIPE60 Masculino Suc. Centro 0.2 0.25000000 1.00 0.5123043 0.36888889
## 61 CLIPE61 Femenino Suc. Centro 0.7 0.58333333 1.00 0.6442953 0.85333333
## 62 CLIPE62 Masculino Suc. Centro 0.3 0.25000000 0.50 0.5838926 0.76000000
## 63 CLIPE63 Femenino Suc. Centro 0.7 0.58333333 0.40 0.8434004 0.70888889
## 64 CLIPE64 Masculino Suc. Centro 1.0 1.00000000 0.20 0.4832215 0.55333333
## 65 CLIPE65 Femenino Suc. Centro 0.4 0.41666667 0.65 0.7628635 0.35777778
## 66 CLIPE66 Femenino Suc. Centro 0.3 0.50000000 0.05 0.5950783 0.63111111
## 67 CLIPE67 Femenino Suc. Centro 0.8 0.66666667 0.40 0.4809843 0.40222222
## 68 CLIPE68 Femenino Suc. Centro 0.7 0.58333333 0.05 0.7762864 0.80000000
## 69 CLIPE69 Masculino Suc. Centro 0.2 0.16666667 0.45 0.8076063 0.49777778
## 70 CLIPE70 Masculino Suc. Centro 0.1 0.08333333 0.80 0.4205817 0.39777778
## 71 CLIPE71 Masculino Suc. Este 0.0 0.00000000 0.70 0.1521253 0.22444444
## 72 CLIPE72 Femenino Suc. Este 0.0 0.00000000 0.00 0.3199105 0.31777778
## 73 CLIPE73 Femenino Suc. Este 0.2 0.16666667 0.70 0.3467562 0.09777778
## 74 CLIPE74 Masculino Suc. Este 0.3 0.33333333 0.00 0.3176734 0.31555556
## 75 CLIPE75 Femenino Suc. Este 0.1 0.08333333 0.45 0.3109620 0.25555556
## 76 CLIPE76 Masculino Suc. Este 0.0 0.08333333 0.55 0.2102908 0.32222222
## 77 CLIPE77 Masculino Suc. Este 0.1 0.16666667 0.10 0.0000000 0.10444444
## 78 CLIPE78 Masculino Suc. Este 0.2 0.16666667 0.90 0.2774049 0.16666667
## 79 CLIPE79 Masculino Suc. Este 0.1 0.16666667 0.80 0.4205817 0.27111111
## 80 CLIPE80 Masculino Suc. Este 0.1 0.08333333 0.65 0.3199105 0.21555556
## Tiempo Opinión
## 1 0.464985994 Regular
## 2 0.033613445 Bueno
## 3 0.103641457 Pésimo
## 4 0.397759104 Muy Bueno
## 5 0.067226891 Pésimo
## 6 0.313725490 Bueno
## 7 0.005602241 Pésimo
## 8 0.028011204 Pésimo
## 9 0.140056022 Bueno
## 10 0.025210084 Bueno
## 11 0.039215686 Excelente
## 12 0.565826331 Muy Bueno
## 13 0.014005602 Excelente
## 14 0.002801120 Muy Bueno
## 15 0.070028011 Regular
## 16 0.154061625 Muy Bueno
## 17 0.109243697 Excelente
## 18 0.014005602 Regular
## 19 0.257703081 Muy Bueno
## 20 0.064425770 Pésimo
## 21 0.117647059 Muy Bueno
## 22 0.028011204 Bueno
## 23 0.064425770 Muy Bueno
## 24 0.145658263 Pésimo
## 25 0.067226891 Bueno
## 26 0.313725490 Pésimo
## 27 0.005602241 Excelente
## 28 0.028011204 Excelente
## 29 0.140056022 Pésimo
## 30 0.025210084 Muy Bueno
## 31 0.039215686 Muy Bueno
## 32 0.565826331 Pésimo
## 33 0.084033613 Muy Bueno
## 34 0.000000000 Regular
## 35 0.039215686 Pésimo
## 36 0.453781513 Pésimo
## 37 0.100840336 Pésimo
## 38 0.736694678 Pésimo
## 39 0.058823529 Muy Bueno
## 40 0.000000000 Muy Bueno
## 41 0.067226891 Excelente
## 42 0.627450980 Pésimo
## 43 0.117647059 Bueno
## 44 0.120448179 Bueno
## 45 0.221288515 Excelente
## 46 0.137254902 Regular
## 47 0.103641457 Muy Bueno
## 48 0.341736695 Pésimo
## 49 0.655462185 Pésimo
## 50 0.067226891 Regular
## 51 1.000000000 Pésimo
## 52 0.005602241 Excelente
## 53 0.036414566 Excelente
## 54 0.039215686 Regular
## 55 0.014005602 Bueno
## 56 0.053221289 Bueno
## 57 0.126050420 Excelente
## 58 0.053221289 Muy Bueno
## 59 0.103641457 Regular
## 60 0.464985994 Pésimo
## 61 0.033613445 Muy Bueno
## 62 0.070028011 Excelente
## 63 0.089635854 Bueno
## 64 0.103641457 Bueno
## 65 0.397759104 Pésimo
## 66 0.078431373 Pésimo
## 67 0.123249300 Excelente
## 68 0.100840336 Pésimo
## 69 0.176470588 Muy Bueno
## 70 0.319327731 Pésimo
## 71 0.064425770 Bueno
## 72 0.140056022 Pésimo
## 73 0.025210084 Bueno
## 74 0.039215686 Bueno
## 75 0.565826331 Excelente
## 76 0.084033613 Muy Bueno
## 77 0.000000000 Regular
## 78 0.039215686 Pésimo
## 79 0.053221289 Muy Bueno
## 80 0.103641457 Excelente