# Cargar las librerías necesarias
library(readxl)
library(dplyr)
##
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(ggplot2)
# 1. Introducción
# En este análisis exploraremos un conjunto de datos relacionado con algoritmos de inteligencia artificial (IA) y su rendimiento utilizando frameworks como Scikit-learn y Keras.
# El objetivo es responder la pregunta:
# ¿Cuál es el algoritmo de inteligencia artificial que ofrece el mejor equilibrio entre precisión y tiempo de entrenamiento para problemas de clustering utilizando el framework Keras?
# 2. Importación de los Datos
# Importar el conjunto de datos
dataset <- read_excel("C:/Users/USER/Documents/NUEVO EDA EST/Dataset_IA_corte_II.xlsx")
# Mostrar las primeras filas del conjunto de datos
head(dataset)
## # A tibble: 6 × 10
## Algorithm Framework Problem_Type Dataset_Type Accuracy Precision Recall
## <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 SVM Scikit-lea… Regression Time Series 0.662 0.693 NA
## 2 K-Means Keras Clustering Time Series 0.744 0.490 0.877
## 3 Neural Network Keras Clustering Image 0.885 0.595 0.969
## 4 SVM Keras Clustering Text 0.842 0.842 0.875
## 5 SVM Scikit-lea… Regression Tabular 0.723 0.686 0.301
## 6 K-Means PyTorch Regression Image 0.637 0.626 7.45
## # ℹ 3 more variables: F1_Score <dbl>, Training_Time <dbl>, Date <dttm>
# Estructura del dataset
str(dataset)
## tibble [560 × 10] (S3: tbl_df/tbl/data.frame)
## $ Algorithm : chr [1:560] "SVM" "K-Means" "Neural Network" "SVM" ...
## $ Framework : chr [1:560] "Scikit-learn" "Keras" "Keras" "Keras" ...
## $ Problem_Type : chr [1:560] "Regression" "Clustering" "Clustering" "Clustering" ...
## $ Dataset_Type : chr [1:560] "Time Series" "Time Series" "Image" "Text" ...
## $ Accuracy : num [1:560] 0.662 0.744 0.885 0.842 0.723 ...
## $ Precision : num [1:560] 0.693 0.49 0.595 0.842 0.686 ...
## $ Recall : num [1:560] NA 0.877 0.969 0.875 0.301 ...
## $ F1_Score : num [1:560] 0.443 0.441 0.964 0.704 0.646 ...
## $ Training_Time: num [1:560] 4.98 NA 3.28 4.04 3.6 ...
## $ Date : POSIXct[1:560], format: "2023-03-08 11:26:21" "2023-03-09 11:26:21" ...
# 3. Limpieza, tratamiento y preparación
# Verificación de valores faltantes
missing_values <- sapply(dataset, function(x) sum(is.na(x)))
missing_values
## Algorithm Framework Problem_Type Dataset_Type Accuracy
## 0 0 0 0 39
## Precision Recall F1_Score Training_Time Date
## 19 20 20 20 0
# Eliminación de filas con valores faltantes
dataset_clean <- dataset %>% na.omit()
# Verificar que no queden más valores faltantes
sapply(dataset_clean, function(x) sum(is.na(x)))
## Algorithm Framework Problem_Type Dataset_Type Accuracy
## 0 0 0 0 0
## Precision Recall F1_Score Training_Time Date
## 0 0 0 0 0
# Resumen estadístico de las variables numéricas
summary(select_if(dataset_clean, is.numeric))
## Accuracy Precision Recall F1_Score
## Min. :0.5038 Min. :0.4031 Min. :0.3001 Min. :0.4000
## 1st Qu.:0.6183 1st Qu.:0.5661 1st Qu.:0.4898 1st Qu.:0.5486
## Median :0.7490 Median :0.7275 Median :0.6513 Median :0.7031
## Mean :0.8458 Mean :0.8387 Mean :0.7611 Mean :0.8014
## 3rd Qu.:0.8698 3rd Qu.:0.8670 3rd Qu.:0.8365 3rd Qu.:0.8396
## Max. :9.7181 Max. :9.7320 Max. :9.3662 Max. :9.3740
## Training_Time
## Min. : 0.1032
## 1st Qu.: 1.2982
## Median : 2.4809
## Mean : 3.0598
## 3rd Qu.: 3.8446
## Max. :46.9856
# Detección de outliers en la columna Accuracy utilizando el método IQR
Q1 <- quantile(dataset_clean$Accuracy, 0.25, na.rm = TRUE)
Q3 <- quantile(dataset_clean$Accuracy, 0.75, na.rm = TRUE)
IQR <- Q3 - Q1
# Definición de los límites superior e inferior
lower_bound <- Q1 - 1.5 * IQR
upper_bound <- Q3 + 1.5 * IQR
# Winsorización: ajustar los valores por fuera de los límites a los límites
dataset_clean$Accuracy <- ifelse(dataset_clean$Accuracy < lower_bound, lower_bound, dataset_clean$Accuracy)
dataset_clean$Accuracy <- ifelse(dataset_clean$Accuracy > upper_bound, upper_bound, dataset_clean$Accuracy)
# Cálculo del IQR para Training_Time
Q1_time <- quantile(dataset_clean$Training_Time, 0.25, na.rm = TRUE)
Q3_time <- quantile(dataset_clean$Training_Time, 0.75, na.rm = TRUE)
IQR_time <- Q3_time - Q1_time
# Definir los límites para detectar outliers en Training_Time
lower_bound_time <- Q1_time - 1.5 * IQR_time
upper_bound_time <- Q3_time + 1.5 * IQR_time
#Ajustar valores fuera de los límites a los límites
dataset_clean$Training_Time <- ifelse(
dataset_clean$Training_Time < lower_bound_time,
lower_bound_time,
dataset_clean$Training_Time
)
dataset_clean$Training_Time <- ifelse(
dataset_clean$Training_Time > upper_bound_time,
upper_bound_time,
dataset_clean$Training_Time
)
# 4. Análisis Descriptivo de las Variables
# Filtrar los datos para incluir solo problemas de Clustering con el framework Keras
dataset_clustering_keras <- dataset_clean %>%
filter(Problem_Type == "Clustering", Framework == "Keras")
# Resumen estadístico de Accuracy y Training_Time
summary(select(dataset_clustering_keras, Accuracy, Training_Time))
## Accuracy Training_Time
## Min. :0.5128 Min. :0.2162
## 1st Qu.:0.6231 1st Qu.:2.0985
## Median :0.7671 Median :3.3348
## Mean :0.7388 Mean :2.9899
## 3rd Qu.:0.8429 3rd Qu.:3.9172
## Max. :0.9850 Max. :7.6641
# Visualización de Accuracy
ggplot(dataset_clustering_keras, aes(x = Accuracy)) +
geom_histogram(bins = 30, fill = "blue", alpha = 0.7) +
theme_minimal() +
ggtitle("Distribución de Accuracy para problemas de Clustering con Keras")
# Análisis de la gráfica de Accuracy:
# En este gráfico, podemos ver que la mayoría de los valores de Accuracy están distribuidos entre 0.5 y 0.9.
# Hay algunos valores atípicos cercanos a 1.0, lo que sugiere que ciertos algoritmos tienen una alta precisión.
# Visualización de Training_Time
ggplot(dataset_clustering_keras, aes(x = Training_Time)) +
geom_histogram(bins = 30, fill = "green", alpha = 0.7) +
theme_minimal() +
ggtitle("Distribución de Training Time para problemas de Clustering con Keras")
# Análisis de la gráfica de Training_Time:
# La mayoría de los tiempos de entrenamiento están concentrados por debajo de 5 unidades de tiempo.
# Sin embargo, hay algunos valores más altos, lo que indica que algunos algoritmos requieren más tiempo para completar el entrenamiento.
# Distribución de Algoritmos Utilizados en Clustering con Keras
# Tabla de frecuencias de Algorithm
table(dataset_clustering_keras$Algorithm)
##
## K-Means Neural Network Random Forest SVM
## 16 9 8 11
# Gráfico de barras de Algorithm
ggplot(dataset_clustering_keras, aes(x = Algorithm)) +
geom_bar(fill = "purple", alpha = 0.7) +
theme_minimal() +
ggtitle("Distribución de Algoritmos para problemas de Clustering con Keras")
# Análisis de la gráfica de Algoritmos:
# El gráfico muestra la frecuencia de cada algoritmo en problemas de Clustering.
# Podemos observar que K-Means es el más utilizado, seguido de Neural Network.
# 5. Análisis Bivariado
# Comparación de Accuracy por Algorithm
ggplot(dataset_clustering_keras, aes(x = Algorithm, y = Accuracy, fill = Algorithm)) +
geom_boxplot(alpha = 0.7) +
theme_minimal() +
ggtitle("Comparación de Accuracy por Algoritmo (Clustering con Keras)")
# Análisis de la gráfica de Accuracy por Algoritmo:
# Esta gráfica muestra que Random Forest tiene la mayor mediana de precisión, mientras que Neural Network tiene una precisión más baja.
# Comparación de Training Time por Algorithm
ggplot(dataset_clustering_keras, aes(x = Algorithm, y = Training_Time, fill = Algorithm)) +
geom_boxplot(alpha = 0.7) +
theme_minimal() +
ggtitle("Comparación de Training Time por Algoritmo (Clustering con Keras)")
# Análisis de la gráfica de Training Time por Algoritmo:
# Aquí podemos ver que SVM tiene el menor tiempo de entrenamiento en promedio, mientras que Neural Network tiene tiempos más largos.
# Sin embargo, hay mucha variabilidad en los tiempos de entrenamiento para Neural Network.
# 6. Conclusiones
# 1) El algoritmo Random Forest presenta la mayor precisión promedio entre los algoritmos evaluados.
# 2) SVM es el algoritmo con el menor tiempo de entrenamiento en promedio, aunque Neural Network presenta tiempos más largos pero menor precisión.
# 3) Si se busca máxima precisión, el algoritmo Random Forest es la mejor opción.
# 4) Para un equilibrio entre precisión razonable y menor tiempo de entrenamiento, SVM ofrece un buen compromiso.
# En conclusión, el algoritmo de inteligencia artificial que ofrece el mejor equilibrio entre precisión y tiempo de entrenamiento para problemas de clustering utilizando Keras es SVM, ya que su tiempo de entrenamiento es considerablemente más corto, lo que lo hace eficiente en escenarios donde el tiempo de ejecución es una prioridad.