CHURN

Instalar paquetes y llamar librerías

library(shiny)
library(randomForest)

## randomForest 4.7-1.2

## Type rfNews() to see new features/changes/bug fixes.

library(ggplot2)

## 
## Attaching package: 'ggplot2'

## The following object is masked from 'package:randomForest':
## 
##     margin

library(rsconnect)  # Para desplegar en shinyapps.io

## 
## Attaching package: 'rsconnect'

## The following object is masked from 'package:shiny':
## 
##     serverInfo

Simulación de datos para entrenar el modelo (puedes reemplazar con tu dataset real)

set.seed(123)
n <- 1000
df <- data.frame(
  Tenure = runif(n, min = 1, max = 60),  # Tiempo de suscripción (meses)
  MonthlyCharges = runif(n, min = 10, max = 100),  # Cargos mensuales
  TotalCharges = runif(n, min = 100, max = 5000),  # Cargos totales
  Contract = sample(c("Month-to-month", "One year", "Two year"), n, replace = TRUE),
  Churn = sample(c(0, 1), n, replace = TRUE, prob = c(0.8, 0.2))  # Churn = 1 (Abandona)
)

Convertir variables categóricas a factores

df$Contract <- as.factor(df$Contract)
df$Churn <- as.factor(df$Churn)

Dividir en entrenamiento y prueba

set.seed(123)
train_index <- sample(1:nrow(df), 0.7 * nrow(df))
train_data <- df[train_index, ]
test_data <- df[-train_index, ]

Entrenar el modelo Random Forest

modelo_rf <- randomForest(Churn ~ ., data = train_data, ntree = 500, importance = TRUE)

Interfaz de Usuario (UI)

ui <- fluidPage(
  titlePanel("Predicción de Churn"),
  
  sidebarLayout(
    sidebarPanel(
      h4("Ingrese los valores del cliente"),
      numericInput("tenure", "Tiempo de suscripción (meses):", value = 12, min = 1, max = 60),
      numericInput("monthly_charges", "Cargos mensuales ($):", value = 50, min = 10, max = 100),
      numericInput("total_charges", "Cargos totales ($):", value = 600, min = 100, max = 5000),
      selectInput("contract", "Tipo de Contrato:",
                  choices = c("Month-to-month", "One year", "Two year"),
                  selected = "Month-to-month"),
      actionButton("predict", "Predecir Churn"),
      hr(),
      h4("Predicción"),
      verbatimTextOutput("prediction_output"),
      verbatimTextOutput("prob_output")
    ),
    
    mainPanel(
      tabsetPanel(
        tabPanel("Probabilidad de Churn",
                 plotOutput("churnPlot")
        ),
        tabPanel("Importancia de Variables",
                 plotOutput("importancePlot")
        )
      )
    )
  )
)

# Servidor (Server)
server <- function(input, output, session) {
  
  # Predecir la probabilidad de churn basado en la entrada del usuario
  observeEvent(input$predict, {
    new_data <- data.frame(
      Tenure = input$tenure,
      MonthlyCharges = input$monthly_charges,
      TotalCharges = input$total_charges,
      Contract = factor(input$contract, levels = levels(train_data$Contract))
    )
    
    prediccion <- predict(modelo_rf, new_data, type = "prob")
    clase_predicha <- predict(modelo_rf, new_data)
    
    output$prediction_output <- renderPrint({ paste("Predicción de Churn:", clase_predicha) })
    output$prob_output <- renderPrint({ paste("Probabilidad de Churn:", round(prediccion[1,2] * 100, 2), "%") })
  })
  
  # Graficar la probabilidad de churn vs. no churn
  output$churnPlot <- renderPlot({
    req(input$predict)  # Esperar a que el usuario haga una predicción
    prediccion <- predict(modelo_rf, data.frame(
      Tenure = input$tenure,
      MonthlyCharges = input$monthly_charges,
      TotalCharges = input$total_charges,
      Contract = factor(input$contract, levels = levels(train_data$Contract))
    ), type = "prob")
    
    datos_prob <- data.frame(
      Clase = c("No Churn", "Churn"),
      Probabilidad = c(prediccion[1,1], prediccion[1,2])
    )
    
    ggplot(datos_prob, aes(x = Clase, y = Probabilidad, fill = Clase)) +
      geom_bar(stat = "identity", color = "black") +
      scale_fill_manual(values = c("No Churn" = "green", "Churn" = "red")) +
      labs(title = "Probabilidad de Churn vs No Churn",
           y = "Probabilidad",
           x = "Clase") +
      theme_minimal()
  })
  
  # Graficar importancia de variables en el modelo
  output$importancePlot <- renderPlot({
    varImpPlot(modelo_rf)
  })
}

# Verificar que server y ui están correctamente definidos
print(exists("server"))  # Debería imprimir TRUE

## [1] TRUE

print(exists("ui"))      # Debería imprimir TRUE

## [1] TRUE

Ejecutar la aplicación

shinyApp(ui = ui, server = server)

Shiny applications not supported in static R Markdown documents