INTRODUCCIÓN

En este trabajo se aplicará una técnica de aprendizaje supervisado mediante el modelo de K-Nearest Neighbors (KNN) con el objetivo de clasificar a los países en DESARROLLADOS y SUBDESARROLLADOS. Para ello, se emplearán once variables socioeconómicas extraídas de la base de datos del Banco Mundial, las cuales permitirán analizar el comportamiento de los países para poder hacer una clasificación adecuada. Se considerarán un total de 101 países, y se realizarán análisis descriptivos para evaluar la relevancia de cada variable y su influencia en la clasificación de un país como desarrollado o subdesarrollado.

De tal manera que las variables seleccionadas para este estudio son las siguientes:

• MAE: Materiales Agricultura Exportados.
• MAI: Materiales Agricultura Importados.
• ESC: Exportación de Servicios Comerciales.
• ISC: Importación de Servicios Comerciales.
• CM: Comercio de Mercancías.
• EA: Exportaciones de Alimentos.
• IA: Importaciones de Alimentos.
• PIB: Producto Interno Bruto.
• EV: Esperanza de Vida.
• PAI: Personas con Acceso a Internet.
• DES: Desempleo.

Descripción de cada variable:

• MAE (Materiales Agricultura Exportados): Representa el valor total de los materiales agrícolas que un país exporta. Esta variable es crucial para entender la capacidad de un país para generar ingresos a través del comercio agrícola y su integración en la economía global.

• MAI (Materiales Agricultura Importados): Indica el valor de los materiales agrícolas que un país importa. Un alto nivel de importaciones agrícolas puede reflejar una dependencia de otros países para satisfacer las necesidades alimenticias o de producción.

• ESC (Exportación de Servicios Comerciales): Mide el valor de los servicios comerciales que un país exporta. Esto incluye actividades como el turismo, servicios financieros, y otros servicios profesionales, lo que puede ser un indicador importante del desarrollo del sector terciario de la economía.

• ISC (Importación de Servicios Comerciales): Representa el valor de los servicios comerciales que un país importa. Un alto volumen de importaciones en este ámbito puede señalar la necesidad de servicios que no se producen localmente o que son más competitivos en otros países.

• CM (Comercio de Mercancías): Mide el total del comercio de bienes (exportaciones más importaciones). Esta variable proporciona una visión general de la actividad económica de un país y su capacidad de comercio.

• EA (Exportaciones de Alimentos): Refleja el valor de los productos alimenticios que un país exporta. Esto es importante para evaluar la seguridad alimentaria y la capacidad de un país para participar en el mercado global de alimentos.

• IA (Importaciones de Alimentos): Indica el valor de los productos alimenticios que un país importa. Una alta dependencia de importaciones alimentarias puede afectar la seguridad alimentaria y la estabilidad económica.

• PIB: Representa el Producto Interno Bruto de un país, un indicador clave del tamaño y la salud de la economía. Un PIB alto generalmente se asocia con un desarrollo económico más avanzado.

• EV (Esperanza de Vida): Mide la cantidad promedio de años que se espera que viva una persona en un país. Es un indicador fundamental del desarrollo humano, salud pública y calidad de vida.

• PAI (Personas con Acceso a Internet): Indica el porcentaje de la población que tiene acceso a Internet. El acceso a Internet es esencial para la educación, la comunicación y la participación en la economía global.

• DES (Desempleo): Representa la tasa de desempleo en un país. Un alto nivel de desempleo puede reflejar problemas económicos y sociales, afectando el desarrollo general de un país.

Para lograr la clasificación de los diferentes países que están en nuestra base de datos se realizará uno de los métodos del aprendizaje supervisado el cual es el modelo de vecinos más cercanos ( KNN ). Para La realización de este modelo es necesario que en nuestra base de datos podamos entrenar una cantidad de datos los cuales son conocidos, estos serán los inputs que tienen la finalidad de poder brindarnos a nosotros un output que son los resultados obtenidos, con estos datos nuestro modelo va a tener la capacidad de poder identificar si estos resultados arrojados nos indican sí el país es desarrollado o no.

En conjunto, estas variables permiten construir un modelo que clasifica a los países en DESARROLLADOS y SUBDESARROLLADOS, al mismo tiempo que identifica los factores clave que influyen en esta clasificación. Esto facilita una mejor comprensión de los elementos esenciales que afectan que un país sea o no desarrollado, dando conclusiones al respecto de acuerdo a los resultados obtenidos.

METODOLOGÍA

Para llevar a cabo este proyecto, nuestra primera acción consistió en crear diversas gráficas descriptivas, incluyendo diagramas de barras, boxplots, diagramas de torta e incluso un diagrama de dispersión. Esta variedad de visualizaciones fue seleccionada cuidadosamente con el objetivo de entender de manera integral el comportamiento de las variables según la base de datos con la cual trabajamos, una vez finalizadas las gráficas cada una de ellas nos permitirán poder comprender mejor el comportamiento y las tendencias que tienen los datos, dándonos diferentes resultados los cuales se van a profundizar en las descriptivas.

1. Selección de variables:

Para obtención de los datos se hizo uso de la base de datos del banco mundial en la cual está almacenada la información por diferentes series, a su vez estas series cuentan con variables relacionadas a su serie, en el desarrollo del proyecto se hizo la elección de las siguientes variables que corresponden al año 2022.

En serie de Salud las variables seleccionadas fueron :

• Esperanza de vida al nacer, total (años).
• Personas que utilizan Internet (% de la población).

En serie Protección social y trabajo las variables seleccionadas fueron :

• Desempleo, total (% de la fuerza laboral total) (estimación nacional)

En serie Educación las variables seleccionadas fueron :

• Tasa de alfabetización, total de adultos (% de personas de 15 años y más)
• Gasto corriente en educación, total (% del gasto total en instituciones públicas)

En serie Sector privado y comercio las variables seleccionadas fueron :

• Exportaciones de materias primas agrícolas (% de las exportaciones de mercancías).
• Exportaciones de servicios comerciales (US$ a precios actuales).
• Exportaciones de alimentos (% de las exportaciones de mercancías.
• Importaciones de materias primas agrícolas (% de las importaciones de mercancías).
• Importaciones de servicios comerciales (US$ a precios actuales).
• Importaciones de alimentos (% de las importaciones de mercancías).

En la serie de Comercio de mercancías (% del PIB) las variables son :

• PIB

2. Renombre de Variables

Debido a que las variables seleccionadas del Banco Mundial tenían nombres demasiados extensos y en inglés era demasiado confuso poder utilizarlas en la base de datos, además la interpretación y la manipulación de estas iba a hacer demasiado compleja, por tal motivo decidimos renombrarlas de manera mucho más abreviada y clara. También decidimos traducir las variables para que fuese mucho mejor la comprensión, a continuación se presentan la variables que elegimos, las cuales tienen el respectivo nombre asignado y así mismo se pueden hallar en la nueva base de datos.

• MAE = MATERIALES AGRICULTURA EXPORTADOS.
• MAI = MATERIALES AGRICULTURA IMPORTADOS.
• ESC = EXPORTACIÓN DE SERVICIOS COMERCIALES.
• ISC = IMPORTACIÓN DE SERVICIOS COMERCIALES.
• CM = COMERCIO DE MERCANCÍAS.
• EA = EXPORTACIONES DE ALIMENTOS.
• IA = IMPORTACIONES DE ALIMENTOS.
• PIB = PIB
• EV = ESPERANZA DE VIDA.
• PAI = PERSONAS CON ACCESO A INTERNET.
  
• DES= DESEMPLEO.

3. Creación del modelo de KNN

Primeramente es necesario saber los items que van a proporcionar la información y los resultados obtenidos en nuestro modelo, para ello se cuenta con tres pero antes se dará explicación a las variables que van a tener estos tres modelos:

En donde cada una de las variables se interpretan como :

• V P: Verdaderos Positivos.
• V N: Verdaderos Negativos.
• F P: Falsos Positivos.
• F N: Falsos Negativos.

Ítems a tener en cuenta:

1. Exactitud: También podemos encontrar está indicador como (Accuracy). Es la proporción de predicciones correctas respecto al total de predicciones realizadas. Se logra calcular de la siguiente manera:

La fórmula de Accuracy se define como:

\[ Accuracy = \frac{VP + VN}{VP + VN + FP + FN} \]

2. Sensitividad : también podemos hablar de este indicador ( Sensitivity ), tiene la finalidad de indicarnos la proporción de positivos reales que son identificamos en nuestro modelo de knn, se puede calcular de la siguiente manera:

La fórmula de Sensitividad (o Tasa de Verdaderos Positivos) se define como:

\[ Sensitividad = \frac{VP}{VP + FN} \]

3. Especificidad: Este indicador también puede ser llamado por (Specificity), y tiene como objetivo medir de la proporción de negativos reales que el modelo identifica correctamente. Se calcula como:

La fórmula de Especificidad (o Tasa de Verdaderos Negativos) se define como:

\[ Especificidad = \frac{VN}{VN + FP} \]

Donde:

• \(VP\) son los Verdaderos Positivos.
• \(VN\) son los Verdaderos Negativos.
• \(FP\) son los Falsos Positivos.
• \(FN\) son los Falsos Negativos.

Ya con estos datos obtenidos se usará una matriz de confusión o de error que consiste en una tabla que se utiliza para evaluar el rendimiento de un modelo de clasificación. Muestra una comparación entre las predicciones hechas por el modelo y los valores reales de las clases. Es particularmente útil cuando se trabaja con problemas de clasificación binaria o multiclase, ya que permite ver cuántas predicciones fueron correctas o incorrectas para cada clase.

• Kappa : Este valor medirá la concordancia entre las predicciones del modelo y las clases reales, ajustando por la coincidencia aleatoria.

• Prevalencia : Mide aproximadamente el total de los casos que el conjunto al cual se le realiza la prueba pertenezca a la clase que corresponde.

• Balanced Accuracy : Interpretación: Este valor toma en cuenta tanto la sensibilidad como la especificidad, proporcionando una medida más equilibrada del rendimiento del modelo.

ANÁLISIS DESCRIPTIVO

##  num [1:242] NA 6 NA NA NA ...

## [1]    NA 5.995    NA    NA    NA    NA

## [1] 0

ANÁLISIS DE LOS RESULTADOS DEL MODELO KNN

Una vez se inició con el proyecto, el primer paso consistió en cambiar el nombre a las variables que se encontraban en la base de datos, para lograr eso se aplicó la siguiente estructura:

Nombrar varariables

• names(Taller_2_base)[3] <- “MAE”
• names(Taller_2_base)[4] <- “MAI”
• names(Taller_2_base)[5] <- “ESC”
• names(Taller_2_base)[6] <- “ISC”
• names(Taller_2_base)[7] <- “CM”
• names(Taller_2_base)[8] <- “EA”
• names(Taller_2_base)[9] <- “IA”
• names(Taller_2_base)[10] <- “PIB-15”
• names(Taller_2_base)[11] <- “EV”
• names(Taller_2_base)[12] <- “PAI”
• names(Taller_2_base)[13] <- “DES”
• names(Taller_2_base)[14] <- “Categoria”

El paso a seguir con la elaboración del modelo consiste en limpiar la base de datos que cuentan con valores no existentes( NA ), los cuales a la hora de correr el modelo presentan fallas impidiendo el desarrollo de este mismo, es por ello que se eliminaron los datos faltantes en la base de datos con una función, y después procedemos a eliminar las columnas que contengan los nombres de los países :

datos_limpios <- na.omit(Taller_2_base) view(datos_limpios) datos_limpios2 <- datos_limpios[, -c(1, 2)]

A continuación, se realizó la normalización de los datos, un paso crucial para asegurar que todas las variables contribuyeran de manera equitativa al modelo KNN. Esto se logró mediante la función ( scale ) y se creó un nuevo conjunto de datos normalizados.

bd <- datos_limpios2 %>% select(-Categoría) bd1 <- as.data.frame(scale(bd)) bd1\(Categoria <- datos_limpios2\)Categoria

CONCLUSIONES

Clasificación Efectiva: El modelo KNN demostró ser efectivo para clasificar a los 101 países analizados en las categorías de desarrollados y subdesarrollados, utilizando variables socioeconómicas clave como el PIB, la esperanza de vida y el acceso a Internet y otras.

El modelo KNN desarrollado ha demostrado ser efectivo para clasificar los datos en las categorías deseadas con una alta precisión y confiabilidad. La elección del valor óptimo de k fue crucial para mejorar el rendimiento del modelo. La alta especificidad indica que el modelo es particularmente bueno en evitar falsos positivos en la clasificación.

Dependencia de Exportaciones Agrícolas: Se observó que los países subdesarrollados dependen en gran medida de las exportaciones agrícolas, lo que sugiere una economía basada en sectores primarios, mientras que los países desarrollados diversifican más sus exportaciones.

Acceso a Internet y Esperanza de Vida: Existe una correlación el acceso a Internet y la esperanza de vida. Los países con mayor acceso a Internet tienden a tener mejores condiciones de vida, lo que se traduce en una mayor longevidad.

Desempleo y Variabilidad: La tasa de desempleo mostró mayor variabilidad en los países subdesarrollados, indicando problemas económicos más severos y oportunidades laborales limitadas en comparación con los desarrollados.

Correlaciones entre Variables: Entre el acceso a Internet y la esperanza de vida, sugerimos que mejorar la infraestructura tecnológica podría ser clave para el desarrollo humano y su bienestar, ya que tendría acceso a información de temas relacionados con el cuidado de la salud permitiendo una mayor longevidad.

Importaciones de Servicios Comerciales: Los países subdesarrollados representan una gran parte de las importaciones de servicios comerciales, lo que indica una dependencia significativa de servicios producidos en el extranjero.

REFERENCIAS

1. https://rpubs.com/Juve_Campos/tablasRMarkdown

2. https://youtu.be/_ofJhpgwy7M?si=RjCSumOsng9SJITN

3. https://youtu.be/XhPaAcLHeOA?si=F6TBU1jmFWqDa0Go

4. https://www.joaquibarandica.com/post/datavizr/

5. https://unikemia.com/blog/aprendizaje-supervisado/

6. https://unikemia.com/blog/aprendizaje-supervisado/

7. https://tables.investigaonline.com/tse-formateo