Primeramente se recomiendacon el uso de los paquetes y librerias a utilizar.
En el contenido a continuación, define los pasos para la elaboración de un modelo de Regreción Logística Binaria Multiple, conociendo que cada uno de los códigos tienen su propia interpretación respecto a la estructura de R. Por lo cosiguiente se sugiere acgualizar los paquetes de R y acontinuación las librerias.
Posterior a esto procedemos a importar nuestra base de datos
library(readr)
misdatos <- read_csv("C:/Users/MINEDUCYT/Downloads/heart_failure_clinical_records_dataset.csv")Rows: 299 Columns: 13
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
dbl (13): age, anaemia, creatinine_phosphokinase, diabetes, ejection_fractio...
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.Con la siguiente función podemos, obtener una visualisación del contenido y podemos asegurarnos que los datos son un data frame. Este código realiza varias operaciones relacionads con la inspección y la conversión de un objeto el cual hemos llamado “misdatos”. Te explico:
View(misdatos) : Esta función abre una ventana en donde puedes observar una presentación tabular(la información se dispone en filas y columnas).
misdatos=as.data.frame(misdatos): Esta línea trasforma a “misdatos” en un data frame si no lo es aun.
La función as.data.frame toma un objeto y lo convierte en un data frame, que es una estructura de datos muy utilizada en R para guardar datos en forma de tabla (filas y columnas).
str(misdatos): Esta función nos presenta la estructura interna del objeto misdatos; nos facilita un resumen sólido de su tipo, las dimensiones, y una vista previa de los datos almacenados.
View(misdatos)
misdatos=as.data.frame(misdatos)
str(misdatos)'data.frame': 299 obs. of 13 variables:
$ age : num 75 55 65 50 65 90 75 60 65 80 ...
$ anaemia : num 0 0 0 1 1 1 1 1 0 1 ...
$ creatinine_phosphokinase: num 582 7861 146 111 160 ...
$ diabetes : num 0 0 0 0 1 0 0 1 0 0 ...
$ ejection_fraction : num 20 38 20 20 20 40 15 60 65 35 ...
$ high_blood_pressure : num 1 0 0 0 0 1 0 0 0 1 ...
$ platelets : num 265000 263358 162000 210000 327000 ...
$ serum_creatinine : num 1.9 1.1 1.3 1.9 2.7 2.1 1.2 1.1 1.5 9.4 ...
$ serum_sodium : num 130 136 129 137 116 132 137 131 138 133 ...
$ sex : num 1 1 1 1 0 1 1 1 0 1 ...
$ smoking : num 0 0 1 0 0 1 0 1 0 1 ...
$ time : num 4 6 7 7 8 8 10 10 10 10 ...
$ DEATH_EVENT : num 1 1 1 1 1 1 1 1 1 1 ...Al utilizar el head nos proporcionará una forma mas rapida de obtener una vista previa de las primeras filas del data frame, y asi obtenemos una muestra representativa del inicio poder comprender su estructura y contenido inicial. Tambien si quieres ver mas filas lo puedes hacer como un segundo argumento utilizando “head(misdatos,15)”, esto dara la pauta y podras vizualizar las primeras 15 filas.
head(misdatos) age anaemia creatinine_phosphokinase diabetes ejection_fraction
1 75 0 582 0 20
2 55 0 7861 0 38
3 65 0 146 0 20
4 50 1 111 0 20
5 65 1 160 1 20
6 90 1 47 0 40
high_blood_pressure platelets serum_creatinine serum_sodium sex smoking time
1 1 265000 1.9 130 1 0 4
2 0 263358 1.1 136 1 0 6
3 0 162000 1.3 129 1 1 7
4 0 210000 1.9 137 1 0 7
5 0 327000 2.7 116 0 0 8
6 1 204000 2.1 132 1 1 8
DEATH_EVENT
1 1
2 1
3 1
4 1
5 1
6 1Tenemos la función set.seed est fija lo que es la semilla que es la que genera los números aleatorios a un valor especifico, en este caso seria, 2021. Cuando fijamos la semilla esta te garantiza que cualquier operación que contenga crear números aleatorios, crera los mismos resultados cada vez que ejecute el código.
set.seed(2021)Cuando utilizamos n=nrow cuenta el número de filas de misdatos y los almacena en la variable n, luego los imprime y asi puedes visualizar cuatas filas tiene tu data frame.
n=nrow(misdatos)
n[1] 299Y Por lo que puedes observar, dice que tenemos 299 filas.
Con el siguiente codigo costruye una muestra aleatoria de tamaño “n” de indices de fila de “misdatos” toma un aproximado de un 70% de las filas del data frame y los almacenara en la variable d_ind.
d_ind=sample(n,n*0.70) #0.7*299El codigo records crea un nuevo data frame que contiene las filas seleccionadas aleatoriamente llamado “conjunto de entrenamiento”, tambien se puede utilizar para realizar análisis exploratorios y ajustar modelos. Y el “d_ind”, es una lista de indices que representan aproximadamente el 70% de las filas de “misdatos”, lo cual son seleccionados aleatoriamente; El resultado se asigna a la variable “records”.
records=misdatos[d_ind,] #trainingAhora bien al utilizar este codigo vamos a obtener un nuevo data frame pero con la diferencia del anterior, aca obtendremos las filas no selecionadas aleatoriamente, es decir que es el 30% restante, por lo que a este subconjunto de datos es llamado “conjunto de prueba”, este se puede utilizar para evaluar el rendimiento de los modelos ajustados junto con el “conjunto de entrenamiento” (records).
d_test=misdatos[-d_ind,] #testAca tenemos la función names es utilizada para alcanzar o crear un vector de caracteres que contiene los nombres de las columnas de un data frame. Lo podemos visualizar a continiación.
names(records) [1] "age" "anaemia"
[3] "creatinine_phosphokinase" "diabetes"
[5] "ejection_fraction" "high_blood_pressure"
[7] "platelets" "serum_creatinine"
[9] "serum_sodium" "sex"
[11] "smoking" "time"
[13] "DEATH_EVENT" La función cor en R se utiliza para alcular la matriz de correlación entre las columnas 1,3,5,7,8 y 9 variables numéricas del data frame “records”
cor(records[c(1,3,5,7,8,9)]) age creatinine_phosphokinase ejection_fraction
age 1.00000000 -0.018732424 0.02564676
creatinine_phosphokinase -0.01873242 1.000000000 -0.00801319
ejection_fraction 0.02564676 -0.008013190 1.00000000
platelets -0.10971729 -0.002011334 0.04137405
serum_creatinine 0.13568621 0.054162850 0.05174527
serum_sodium -0.07268846 0.072730561 0.10135513
platelets serum_creatinine serum_sodium
age -0.109717290 0.13568621 -0.07268846
creatinine_phosphokinase -0.002011334 0.05416285 0.07273056
ejection_fraction 0.041374045 0.05174527 0.10135513
platelets 1.000000000 -0.08736598 0.07051430
serum_creatinine -0.087365981 1.00000000 -0.14122197
serum_sodium 0.070514305 -0.14122197 1.00000000El codigo acontinuación se utiliza para ajustar un modelo, primero cargamos el paquete MASS, la contiene funciones y conjuntos de datos para lo que es análisis estadísticos.
Luego glm Esta funcion ajusta un modelo lineal generalizado.
data=records este especifica los datos a utilizar estan en el data frame “records”.
DEATH_EVENT Esta es la variable respuesta y todas las demas variables en “records” solo son predictoras.
family = binomial(): Explica como se ajusta un modelo de regresión logística, ya que DEATH_EVENT es una variable binaria (0 o 1).
summary Nos da un resumen detallado del modelo, incluyendo coeficientes y estadísticas de significancia.
library(MASS)
my_model=glm(data = records,DEATH_EVENT~.,
family = binomial())
summary(my_model)
Call:
glm(formula = DEATH_EVENT ~ ., family = binomial(), data = records)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.102e+01 7.542e+00 1.461 0.14410
age 5.624e-02 1.927e-02 2.918 0.00352 **
anaemia 4.698e-01 4.160e-01 1.129 0.25874
creatinine_phosphokinase 4.584e-04 3.483e-04 1.316 0.18807
diabetes 1.068e-01 4.252e-01 0.251 0.80174
ejection_fraction -7.459e-02 1.905e-02 -3.916 9.01e-05 ***
high_blood_pressure -2.212e-01 4.511e-01 -0.490 0.62391
platelets -1.896e-06 2.294e-06 -0.826 0.40870
serum_creatinine 5.489e-01 1.926e-01 2.849 0.00438 **
serum_sodium -7.284e-02 5.314e-02 -1.371 0.17043
sex -1.338e+00 5.321e-01 -2.514 0.01195 *
smoking 2.293e-01 5.223e-01 0.439 0.66061
time -2.250e-02 3.911e-03 -5.754 8.73e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 259.12 on 208 degrees of freedom
Residual deviance: 153.24 on 196 degrees of freedom
AIC: 179.24
Number of Fisher Scoring iterations: 6Ahora cargaremos la libreria cardataesta cntiene conjuntos de datos que se utilizan para demosraciones y ejemplos en estadística y análisis de datos. y la libreria car esta proporciona varias funciones para análisis estadísticos avanzados y gráficos, Pero especialmente para el análisis de regresión y mejorar el modelo.
library(carData)
library(car)Con el código vif(my_model) podemos calcula y devuelve los Factores de Inflación de la Varianza para cada una de las variables independientes en el modelo my_model, ayudando así a diagnosticar problemas de multicolinealidad que podrían afectar la interpretación y la estabilidad del modelo de regresión.
vif(my_model) age anaemia creatinine_phosphokinase
1.129135 1.046886 1.150944
diabetes ejection_fraction high_blood_pressure
1.077959 1.220016 1.076420
platelets serum_creatinine serum_sodium
1.059796 1.116415 1.096600
sex smoking time
1.624757 1.451073 1.269458 Con el siguiente código podremos observar como ajusta un nuevo modelo de regresion logística, en donde excluye las variables high_blood_pressure y smoking del conjunto de predictores, posteriormente proporciona un resumen del modelo ajustado.
glm: Esta función ajusta un modelo lineal generalizado.
data = records: Especifica que los datos a utilizar están en el data frame records.
DEATH_EVENT ~ . - high_blood_pressure - smoking: Esta fórmula indica que “DEATH_EVENT” es la variable de respuesta y que todas las demás variables en records se utilizan como predictores, excepto high_blood_pressure y smoking (que se excluyen con el operador -).
family = binomial(link = “logit”): Especifica que se ajusta un modelo de regresión logística con la función de enlace logit (la opción por defecto para regresión logística).
summary La cuál nos propporciona un resumen del modelo ajustado,donde engloba estadísticos como coeficientes de regresión, errores estándar, valores z, valores p, y medidas de ajuste del modelo.
my_model2=glm(data=records,DEATH_EVENT~.-high_blood_pressure-smoking,
family = binomial(link = "logit"))
summary(my_model2)
Call:
glm(formula = DEATH_EVENT ~ . - high_blood_pressure - smoking,
family = binomial(link = "logit"), data = records)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.043e+01 7.403e+00 1.409 0.15877
age 5.516e-02 1.918e-02 2.876 0.00403 **
anaemia 4.404e-01 4.110e-01 1.072 0.28387
creatinine_phosphokinase 4.491e-04 3.389e-04 1.325 0.18509
diabetes 8.655e-02 4.237e-01 0.204 0.83815
ejection_fraction -7.481e-02 1.905e-02 -3.928 8.57e-05 ***
platelets -1.913e-06 2.283e-06 -0.838 0.40205
serum_creatinine 5.381e-01 1.888e-01 2.850 0.00437 **
serum_sodium -6.842e-02 5.201e-02 -1.316 0.18831
sex -1.197e+00 4.562e-01 -2.624 0.00870 **
time -2.232e-02 3.887e-03 -5.742 9.35e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 259.12 on 208 degrees of freedom
Residual deviance: 153.64 on 198 degrees of freedom
AIC: 175.64
Number of Fisher Scoring iterations: 6Este procedimiento nos sirve para poder evaluar como efectua la exclución de ciertas variables y asu vez de como afecta al modelo y su capacidad de predicción.
En R. podemos acceder al valor del criterio Akaike (AIC) de un modelo ajustado empleando $aic en lo que es el objeto del modelo. El AIC es una medida que se utiliza para evaluar la calidad de un modelo estadístico para un conjunto de datos y penaliza la complejidad del modelo para evitar el sobreajuste. Fue desarrollado por el estadístico japonés Hirotugu Akaike.
AIC = 2k - 2ln(L) donde:
Con este codigo se puede acceder al valor del criterio de información de Akaike(AIC) de un modelo ajustado utilizando “$aic” en el objeto del modelo.
Ejemplo: “my_model2$aic” el resultado obtenido nos indica que criterio de información de Akaike (AIC)para el modelo “my_model2” es 175.6393, por lo que representa una medida de la calidad del model en terminos de su ajuste alos datos y su complejidad.
my_model2$aic[1] 175.6393Nuevamente utilizaremos el siguiente código para quitar otras dos variables que se ajustara un nuevo modelo de regresión logística excluyendo las variables high_blood_pressure, smoking, platelets, y diabetes, del conjunto de predictores, luego proporcionará un resumen del modelo ajustado.
Este procedimiento de ajuste y resumen del modelo nos permitirá poder evaluar el efecto de cada predictor en la variable de respuesta DEATH_EVENT y así poder compararla con la calidad del modelo con otros modelos posibles.
my_model3=glm(data=records,DEATH_EVENT~.-high_blood_pressure-smoking-platelets-diabetes,
family = binomial(link = "logit"))
summary(my_model3)
Call:
glm(formula = DEATH_EVENT ~ . - high_blood_pressure - smoking -
platelets - diabetes, family = binomial(link = "logit"),
data = records)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 10.1176501 7.2122510 1.403 0.16066
age 0.0543893 0.0187074 2.907 0.00364 **
anaemia 0.4637488 0.4101194 1.131 0.25815
creatinine_phosphokinase 0.0004687 0.0003342 1.403 0.16075
ejection_fraction -0.0738926 0.0188889 -3.912 9.16e-05 ***
serum_creatinine 0.5413446 0.1876921 2.884 0.00392 **
serum_sodium -0.0699922 0.0511068 -1.370 0.17083
sex -1.1717596 0.4515627 -2.595 0.00946 **
time -0.0219631 0.0038254 -5.741 9.39e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 259.12 on 208 degrees of freedom
Residual deviance: 154.39 on 200 degrees of freedom
AIC: 172.39
Number of Fisher Scoring iterations: 6El código my_model3$aic se utiliza para extraer y mostrar el valor del criterio de información Akaike (AIC)del modelo de regreción logística “my_model13”,por lo que te permite evaluar la calidad del modelo y asi poder compararlo con otros modelos utilizando AIC
my_model3$aic[1] 172.388El siguiente código se utiliza para extraer y mostrar el valor del criterio de información de Akaike (AIC) del modelo de regresión logística
my_model$aic[1] 179.2415El código acontinuación, ajusta un nuevo modelo de regresión logística (my_model4) excluyendo las variables high_blood_pressure, smoking, platelets, diabetes, creatinine_phosphokinase, y serum_sodium del conjunto de predictores. Luego, hace un resumen detallado del modelo ajustado,
my_model4=glm(data=records,DEATH_EVENT~.-high_blood_pressure-smoking-platelets-diabetes-creatinine_phosphokinase-serum_sodium ,
family = binomial(link = "logit"))
summary(my_model4)
Call:
glm(formula = DEATH_EVENT ~ . - high_blood_pressure - smoking -
platelets - diabetes - creatinine_phosphokinase - serum_sodium,
family = binomial(link = "logit"), data = records)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.708705 1.385597 0.511 0.60902
age 0.053327 0.017994 2.964 0.00304 **
anaemia 0.401068 0.403233 0.995 0.31992
ejection_fraction -0.073797 0.018512 -3.986 6.71e-05 ***
serum_creatinine 0.569549 0.176790 3.222 0.00127 **
sex -1.077485 0.441182 -2.442 0.01460 *
time -0.021078 0.003659 -5.761 8.37e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 259.12 on 208 degrees of freedom
Residual deviance: 158.21 on 202 degrees of freedom
AIC: 172.21
Number of Fisher Scoring iterations: 5Acontinuacion tenemos el siguiente código lo cuál ajusta un nuevo modelo de regresión logística “my_model15”, excluyendo las siguietes variables “high_blood_pressure”, “smoking”, “platelets”, “diabetes”, “creatinine_phosphokinase”, “serum_sodium”, “anaemia”, y “sex”, del conjuto de predictores, además del término -1 lo que significa es que elimina el intercepto y posteriormente provee un resumen del modelo ajustado.
my_model5=glm(data=records,DEATH_EVENT~.-high_blood_pressure-smoking-platelets-diabetes-creatinine_phosphokinase-serum_sodium-anaemia-sex-1 ,family = binomial(link = "logit"))
summary(my_model5)
Call:
glm(formula = DEATH_EVENT ~ . - high_blood_pressure - smoking -
platelets - diabetes - creatinine_phosphokinase - serum_sodium -
anaemia - sex - 1, family = binomial(link = "logit"), data = records)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
age 0.047627 0.010969 4.342 1.41e-05 ***
ejection_fraction -0.062928 0.015835 -3.974 7.07e-05 ***
serum_creatinine 0.612431 0.178637 3.428 0.000607 ***
time -0.020307 0.003297 -6.159 7.31e-10 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 289.74 on 209 degrees of freedom
Residual deviance: 165.67 on 205 degrees of freedom
AIC: 173.67
Number of Fisher Scoring iterations: 5Utilizaremos la libreria zoo en R se utiliza para trabajar con series temporales irregulares y objetos indexados por fecha. Por loque ejecuta una infraestrutura para manipular y analizar los datos de la serie temporal, la incluye nterpolación, agregación y alineación de series temporales.
library(zoo)
Attaching package: 'zoo'The following objects are masked from 'package:base':
as.Date, as.Date.numericTambien agragaremos la libreria lmtest la cual se utiliza para realizar pruebas estadísticas y diagnósticos en modelos de regresión. Esta librería proporciona una variedad de pruebas para poder evaluar los supuestos y la validez de los modelos de regresión, incluyendo pruebas de heterocedasticidad, autocorrelación, multicolinealidad, entre otras.
library(lmtest)La función waldtest() en la librería lmtest se utiliza para comparar dos modelos de regresión para poder determinar si la inclusión de un conjunto adicional de variables mejora significativamente el ajuste del modelo. Esto ayuda a poder tomar una decisión si la complejidad adicional del modelo más completo está justificada por una mejora significativa en el ajuste.
waldtest(my_model,my_model5)Wald test
Model 1: DEATH_EVENT ~ age + anaemia + creatinine_phosphokinase + diabetes +
ejection_fraction + high_blood_pressure + platelets + serum_creatinine +
serum_sodium + sex + smoking + time
Model 2: DEATH_EVENT ~ (age + anaemia + creatinine_phosphokinase + diabetes +
ejection_fraction + high_blood_pressure + platelets + serum_creatinine +
serum_sodium + sex + smoking + time) - high_blood_pressure -
smoking - platelets - diabetes - creatinine_phosphokinase -
serum_sodium - anaemia - sex - 1
Res.Df Df F Pr(>F)
1 196
2 205 -9 1.1655 0.3191Específicamente, realiza una prueba de Wald para comparar la calidad de ajuste entre un modelo restringido (menos complejo) y un modelo no restringido (más complejo).
La librería ResourceSelection se utiliza para evaluar la bondad de ajuste de modelos de regresión logística, exclusivamente para realizar pruebas de especificación del modelo y para diagnosticar problemas en modelos de regresión, con la función más destacada siendo el test de Hosmer-Lemeshow.
library(ResourceSelection)Warning: package 'ResourceSelection' was built under R version 4.3.3ResourceSelection 0.3-6 2023-06-27Ahora bien la función hoslem.test() de la librería “ResourceSelection” se utiliza para realizar el test de Hosmer-Lemeshow, que evalúa la bondad de ajuste de un modelo de regresión logística comparando las predicciones del modelo con las observaciones reales en grupos de datos. Poer lo que te permite determinar si el modelo está ajustando adecuadamente los datos.
hoslem.test(records$DEATH_EVENT,fitted(my_model5))
Hosmer and Lemeshow goodness of fit (GOF) test
data: records$DEATH_EVENT, fitted(my_model5)
X-squared = 8.2596, df = 8, p-value = 0.4085La función coef() esta se ocupa de extraer los coeficientes del modelo ajustado. Cuando aplicas coef() a un modelo de regresión, como un modelo de regresión logística, devuelve los coeficientes estimados para cada predictor en el modelo, los cuales son fundamentales para interpretar el impacto de cada predictor en el resultado del modelo.
coef(my_model5) age ejection_fraction serum_creatinine time
0.04762671 -0.06292788 0.61243102 -0.02030746 La expresión my_model5$coefficients Esta es otra manera de aprobar los coeficientes del modelo de regresión ajustado. Esta es una forma directa de obtener los coeficientes del modelo desde el objeto my_model5.
my_model5$coefficients age ejection_fraction serum_creatinine time
0.04762671 -0.06292788 0.61243102 -0.02030746 La función confint() se utiliza para calcular los intervalos de confianza de dicos coeficientes de un modelo ajustado. Estos intervalos proporcionan un rango dentro del cual se espera que el verdadero valor del coeficiente se encuentre con un cierto nivel de confianza (generalmente del 95%).
confint(my_model5)Waiting for profiling to be done... 2.5 % 97.5 %
age 0.02712785 0.07051571
ejection_fraction -0.09572358 -0.03334280
serum_creatinine 0.26755137 0.98855160
time -0.02731683 -0.01431199La función predict() hace predicciones con un modelo ajustado. Cuando usas type = “response”, la función predict() devuelve las probabilidades predichas para el modelo de regresión logística en lugar de los valores en el espacio de la escala lineal. Estos valores reflejan la probabilidad estimada de que ocurra el evento para cada observación en el conjunto de datos, permitiendo una evaluación más detallada del modelo ajustado.
y=predict(my_model5,type='response')
y 166 231 70 192 251 102
0.395337332 0.100403958 0.782907081 0.034144461 0.028029152 0.424621188
110 103 23 146 123 188
0.259192557 0.758388640 0.765159807 0.205505369 0.268245654 0.284474942
125 26 164 101 159 240
0.658578649 0.892393393 0.138394211 0.605745862 0.318827534 0.022433962
68 133 73 191 274 171
0.759213560 0.144733928 0.730288932 0.345307371 0.006284166 0.141918277
242 297 198 278 79 162
0.091030220 0.001125953 0.111120945 0.032947115 0.511360771 0.116445356
150 114 88 17 230 148
0.244337847 0.186439489 0.142548706 0.882792890 0.166200267 0.082422799
67 130 169 121 201 155
0.630084525 0.567515754 0.160839958 0.126902100 0.039934661 0.258517279
293 126 207 210 279 19
0.010544370 0.093459443 0.019462792 0.040066777 0.016734066 0.887802844
16 236 226 284 127 106
0.784343438 0.045229512 0.029048934 0.024157346 0.593008011 0.688981827
44 22 38 120 27 245
0.556017419 0.855899307 0.681832007 0.710163515 0.894019698 0.045541110
13 33 174 149 115 89
0.669440978 0.555441613 0.205516540 0.624847107 0.315922634 0.168383525
95 173 75 137 291 214
0.291992370 0.061052966 0.782476760 0.090986708 0.002359596 0.073019672
285 94 46 176 7 29
0.008812797 0.659333870 0.608957966 0.036596226 0.959298131 0.967554059
129 147 109 113 227 256
0.339419859 0.221494096 0.376563903 0.490090614 0.101769551 0.039725469
259 235 218 253 138 275
0.026319711 0.020270242 0.425192989 0.014714604 0.680988745 0.032510885
65 289 37 276 157 80
0.030836646 0.025786636 0.758269882 0.008719470 0.213261305 0.237968571
197 187 220 76 58 205
0.036184536 0.020026246 0.040899673 0.633045075 0.404040780 0.102382882
223 64 172 57 139 263
0.026332184 0.335013147 0.079130007 0.844007734 0.303561812 0.083761035
225 20 151 45 1 143
0.086160350 0.421664523 0.448455981 0.286071315 0.967574113 0.237067347
117 258 219 209 228 132
0.083304779 0.024430386 0.091891616 0.054962390 0.040937434 0.830444338
239 249 85 272 39 128
0.044213115 0.017450683 0.565921143 0.011074388 0.854349946 0.066897466
141 165 112 193 158 136
0.469796577 0.155694064 0.337208199 0.036937801 0.265743863 0.402432254
215 71 202 267 262 53
0.071994962 0.189174633 0.008185057 0.082229261 0.020488416 0.904424693
177 43 287 77 118 69
0.167473913 0.638044435 0.032907162 0.189293127 0.580171199 0.760477293
48 232 222 156 252 260
0.505375720 0.081744096 0.031114435 0.472189689 0.030496720 0.007506146
216 244 14 108 264 189
0.131299292 0.056536818 0.608346786 0.214983764 0.008684507 0.075285552
154 93 175 277 281 269
0.180190295 0.061925716 0.179396727 0.040300421 0.026942039 0.009453343
255 41 83 49 211 84
0.006658840 0.928676190 0.777612889 0.988034265 0.280642932 0.533577040
134 24 160 163 56 145
0.104151261 0.230006195 0.141206330 0.187969008 0.945121432 0.655415823
208 63 105 74 243 229
0.169483091 0.468098441 0.343677511 0.328134597 0.019285768 0.594126598
282 11 32 182 196 107
0.068718354 0.968549768 0.923097769 0.232025677 0.152198121 0.230909790
194 237 206 72 119 8
0.206892447 0.041289750 0.025693645 0.418053795 0.115306305 0.389962353
204 296 180 9 28 50
0.408642548 0.010558667 0.079136308 0.430698001 0.683581841 0.642539655
299 31 233 82 292 153
0.005177953 0.934508416 0.018155176 0.315160545 0.023504159 0.091495439
221 15 81 92 111
0.335829566 0.693091861 0.582933699 0.271640102 0.305730548 Este código pred = ifelse(as.double(y) > 0.5, 1, 0) convertira las probabilidades predichas en valores binarios (0 o 1), basándose en un acceso de probabilidad. En este caso, el acceso es 0.5, lo que significa que las probabilidades superiores a 0.5 se clasifican como 1 (evento positivo), y las probabilidades inferiores o iguales a 0.5 se clasifican como 0 (evento negativo).
pred=ifelse(as.double(y)>0.5,1,0)
pred [1] 0 0 1 0 0 0 0 1 1 0 0 0 1 1 0 1 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1
[38] 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 0 1 1 0 1 0 0 0 0 1 0 0 0 0 1
[75] 1 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0
[112] 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 1 1 0 0 0
[149] 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 0 0 1 0 1 1 0 0
[186] 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 1 1 0 0Usando el código data.frame(y = y, pred = pred) crea un data frame que combina dos vectores: y y pred. Esto te permite ver las probabilidades predichas y las predicciones binarias correspondientes en un formato tabular. Esto es útil para visualizar y analizar cómo las probabilidades se traducen en predicciones, y asi poder evaluar el rendimiento del modelo.
data.frame(y=y,pred=pred) y pred
166 0.395337332 0
231 0.100403958 0
70 0.782907081 1
192 0.034144461 0
251 0.028029152 0
102 0.424621188 0
110 0.259192557 0
103 0.758388640 1
23 0.765159807 1
146 0.205505369 0
123 0.268245654 0
188 0.284474942 0
125 0.658578649 1
26 0.892393393 1
164 0.138394211 0
101 0.605745862 1
159 0.318827534 0
240 0.022433962 0
68 0.759213560 1
133 0.144733928 0
73 0.730288932 1
191 0.345307371 0
274 0.006284166 0
171 0.141918277 0
242 0.091030220 0
297 0.001125953 0
198 0.111120945 0
278 0.032947115 0
79 0.511360771 1
162 0.116445356 0
150 0.244337847 0
114 0.186439489 0
88 0.142548706 0
17 0.882792890 1
230 0.166200267 0
148 0.082422799 0
67 0.630084525 1
130 0.567515754 1
169 0.160839958 0
121 0.126902100 0
201 0.039934661 0
155 0.258517279 0
293 0.010544370 0
126 0.093459443 0
207 0.019462792 0
210 0.040066777 0
279 0.016734066 0
19 0.887802844 1
16 0.784343438 1
236 0.045229512 0
226 0.029048934 0
284 0.024157346 0
127 0.593008011 1
106 0.688981827 1
44 0.556017419 1
22 0.855899307 1
38 0.681832007 1
120 0.710163515 1
27 0.894019698 1
245 0.045541110 0
13 0.669440978 1
33 0.555441613 1
174 0.205516540 0
149 0.624847107 1
115 0.315922634 0
89 0.168383525 0
95 0.291992370 0
173 0.061052966 0
75 0.782476760 1
137 0.090986708 0
291 0.002359596 0
214 0.073019672 0
285 0.008812797 0
94 0.659333870 1
46 0.608957966 1
176 0.036596226 0
7 0.959298131 1
29 0.967554059 1
129 0.339419859 0
147 0.221494096 0
109 0.376563903 0
113 0.490090614 0
227 0.101769551 0
256 0.039725469 0
259 0.026319711 0
235 0.020270242 0
218 0.425192989 0
253 0.014714604 0
138 0.680988745 1
275 0.032510885 0
65 0.030836646 0
289 0.025786636 0
37 0.758269882 1
276 0.008719470 0
157 0.213261305 0
80 0.237968571 0
197 0.036184536 0
187 0.020026246 0
220 0.040899673 0
76 0.633045075 1
58 0.404040780 0
205 0.102382882 0
223 0.026332184 0
64 0.335013147 0
172 0.079130007 0
57 0.844007734 1
139 0.303561812 0
263 0.083761035 0
225 0.086160350 0
20 0.421664523 0
151 0.448455981 0
45 0.286071315 0
1 0.967574113 1
143 0.237067347 0
117 0.083304779 0
258 0.024430386 0
219 0.091891616 0
209 0.054962390 0
228 0.040937434 0
132 0.830444338 1
239 0.044213115 0
249 0.017450683 0
85 0.565921143 1
272 0.011074388 0
39 0.854349946 1
128 0.066897466 0
141 0.469796577 0
165 0.155694064 0
112 0.337208199 0
193 0.036937801 0
158 0.265743863 0
136 0.402432254 0
215 0.071994962 0
71 0.189174633 0
202 0.008185057 0
267 0.082229261 0
262 0.020488416 0
53 0.904424693 1
177 0.167473913 0
43 0.638044435 1
287 0.032907162 0
77 0.189293127 0
118 0.580171199 1
69 0.760477293 1
48 0.505375720 1
232 0.081744096 0
222 0.031114435 0
156 0.472189689 0
252 0.030496720 0
260 0.007506146 0
216 0.131299292 0
244 0.056536818 0
14 0.608346786 1
108 0.214983764 0
264 0.008684507 0
189 0.075285552 0
154 0.180190295 0
93 0.061925716 0
175 0.179396727 0
277 0.040300421 0
281 0.026942039 0
269 0.009453343 0
255 0.006658840 0
41 0.928676190 1
83 0.777612889 1
49 0.988034265 1
211 0.280642932 0
84 0.533577040 1
134 0.104151261 0
24 0.230006195 0
160 0.141206330 0
163 0.187969008 0
56 0.945121432 1
145 0.655415823 1
208 0.169483091 0
63 0.468098441 0
105 0.343677511 0
74 0.328134597 0
243 0.019285768 0
229 0.594126598 1
282 0.068718354 0
11 0.968549768 1
32 0.923097769 1
182 0.232025677 0
196 0.152198121 0
107 0.230909790 0
194 0.206892447 0
237 0.041289750 0
206 0.025693645 0
72 0.418053795 0
119 0.115306305 0
8 0.389962353 0
204 0.408642548 0
296 0.010558667 0
180 0.079136308 0
9 0.430698001 0
28 0.683581841 1
50 0.642539655 1
299 0.005177953 0
31 0.934508416 1
233 0.018155176 0
82 0.315160545 0
292 0.023504159 0
153 0.091495439 0
221 0.335829566 0
15 0.693091861 1
81 0.582933699 1
92 0.271640102 0
111 0.305730548 0El siguiente código nd = data.frame(age = 50.0, ejection_fraction = 35.0, serum_creatinine = 0.75, time = 67) construye un data frame con valores para nuevas observaciones. Este data frame es útil para realizar predicciones con un modelo ajustado, proporcionando una forma de poder ingresar datos nuevos y obtener predicciones basadas dicho modelo.
nd=data.frame(age=50.0,ejection_fraction=35.0,serum_creatinine=0.75,time=67)
nd age ejection_fraction serum_creatinine time
1 50 35 0.75 67Con el siguiente código predict(my_model5, newdata = nd) podemos efectuar una predicción con un nuevo conjunto de datos (nd) utilizando el modelo de regresión logística ajustado (my_model5). devolviendo asi una probabilidad predicha para el evento de interés.
#predict(my_model5, newdata = nd)Para limpiar el entorno de trabajo eliminando todos los objetos actuales. Esto significa que todos los data frames, vectores, listas y otros objetos almacenados en el entorno serán eliminados, dejando un entorno vacío, utilizando el sigiente código.
#rm(list = ls())
str(records)'data.frame': 209 obs. of 13 variables:
$ age : num 80 60 65 64 50 75 45 80 68 50 ...
$ anaemia : num 0 0 0 1 0 0 0 0 1 0 ...
$ creatinine_phosphokinase: num 776 166 113 62 2522 ...
$ diabetes : num 1 0 1 0 0 0 1 0 0 0 ...
$ ejection_fraction : num 38 30 25 60 30 45 35 25 35 30 ...
$ high_blood_pressure : num 1 0 0 0 1 1 0 0 1 0 ...
$ platelets : num 192000 62000 497000 309000 404000 ...
$ serum_creatinine : num 1.3 1.7 1.83 1.5 0.5 1.18 1.3 1.1 0.9 0.7 ...
$ serum_sodium : num 135 127 135 135 139 137 142 144 140 141 ...
$ sex : num 0 0 1 0 0 1 1 1 1 1 ...
$ smoking : num 0 0 0 0 0 0 1 1 1 1 ...
$ time : num 130 207 67 174 214 87 88 87 20 112 ...
$ DEATH_EVENT : num 1 1 1 0 0 0 0 0 1 0 ...Utilizando el comando head(records) te mostrará las primeras filas de un data frame en R.
head(records) age anaemia creatinine_phosphokinase diabetes ejection_fraction
166 80 0 776 1 38
231 60 0 166 0 30
70 65 0 113 1 25
192 64 1 62 0 60
251 50 0 2522 0 30
102 75 0 582 0 45
high_blood_pressure platelets serum_creatinine serum_sodium sex smoking
166 1 192000 1.30 135 0 0
231 0 62000 1.70 127 0 0
70 0 497000 1.83 135 1 0
192 0 309000 1.50 135 0 0
251 1 404000 0.50 139 0 0
102 1 263358 1.18 137 1 0
time DEATH_EVENT
166 130 1
231 207 1
70 67 1
192 174 0
251 214 0
102 87 0Al cargar la libreria MLmetrics, este proporcionará las funciones para evaluar el rendimiento de modelos de machine learning utilizando métricas comunes.
library(MLmetrics)Warning: package 'MLmetrics' was built under R version 4.3.3
Attaching package: 'MLmetrics'The following object is masked from 'package:base':
RecallEl comando **Accuracy(pred, recordsDEATH_EVENT)** calcula la precisión del modelo comparando las predicciones "pred", con las etiquetas verdaderas "recordsDEATH_EVENT”. La precisión mide qué porcentaje de las predicciones fueron correctas. Este comando utiliza la libreria “MLmetrics”.
Accuracy(pred,records$DEATH_EVENT)[1] 0.8277512El siguiente código pred2 = ifelse(my_model$fitted.values > 0.5, 1, 0) se usa para convertir las probabilidades predichas en predicciones binarias, basándose en un acceso de 0.5. Este acceso es común utilizarlo en modelos de clasificación binaria, como la regresión logística.
pred2=ifelse(my_model$fitted.values>0.5,1,0)
pred2166 231 70 192 251 102 110 103 23 146 123 188 125 26 164 101 159 240 68 133
1 0 1 0 0 0 0 1 1 0 0 0 1 1 1 0 0 0 1 0
73 191 274 171 242 297 198 278 79 162 150 114 88 17 230 148 67 130 169 121
1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0
201 155 293 126 207 210 279 19 16 236 226 284 127 106 44 22 38 120 27 245
0 0 0 0 0 0 0 1 1 0 0 0 1 1 0 1 1 1 1 0
13 33 174 149 115 89 95 173 75 137 291 214 285 94 46 176 7 29 129 147
1 1 0 1 0 0 0 0 1 0 0 0 0 1 1 0 1 1 0 0
109 113 227 256 259 235 218 253 138 275 65 289 37 276 157 80 197 187 220 76
0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
58 205 223 64 172 57 139 263 225 20 151 45 1 143 117 258 219 209 228 132
0 0 0 0 0 1 0 0 0 1 1 0 1 0 0 0 0 0 0 1
239 249 85 272 39 128 141 165 112 193 158 136 215 71 202 267 262 53 177 43
0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
287 77 118 69 48 232 222 156 252 260 216 244 14 108 264 189 154 93 175 277
0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
281 269 255 41 83 49 211 84 134 24 160 163 56 145 208 63 105 74 243 229
0 0 0 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1
282 11 32 182 196 107 194 237 206 72 119 8 204 296 180 9 28 50 299 31
0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1
233 82 292 153 221 15 81 92 111
0 0 0 0 0 1 1 0 0 El siguiente comando Accuracy(pred2, records$DEATH_EVENT) se utiliza para calcular la precisión del modelo de clasificación utilizando la biblioteca “MLmetrics”. La precisión (accuracy) mide la proporción de predicciones correctas entre las predicciones totales realizadas. La precisión muestra qué porcentaje de las predicciones fueron correctas, proporcionando una medida general del rendimiento del modelo en términos de clasificación.
Accuracy(pred2,records$DEATH_EVENT)[1] 0.8564593