Análisis de Diabetes con Redes Neuronales
Jose Elias Valdez Renteria
2025-04-11
1. Cargar librerías y datos
- En esta sección, se cargan las bibliotecas necesarias para el análisis, que incluyen herramientas para manejar datos, crear redes neuronales, generar gráficos de correlación, y evaluar el modelo. Después, se importa el conjunto de datos que contiene la información sobre los pacientes con diabetes.
library(readr)
library(neuralnet)
library(corrplot)
library(caret)
library(dplyr)
diabetes <- read_csv("diabetes.csv")2. Eliminar valores faltantes
- Se verifica si existen datos faltantes en el conjunto de datos. Si se encuentran, se eliminan las filas que tienen estos valores ausentes para asegurarse de que el modelo trabaje solo con datos completos y válidos.
colSums(is.na(diabetes))## ...1 Age
## 0 0
## Sex Ethnicity
## 0 0
## BMI Waist_Circumference
## 0 0
## Fasting_Blood_Glucose HbA1c
## 0 0
## Blood_Pressure_Systolic Blood_Pressure_Diastolic
## 0 0
## Cholesterol_Total Cholesterol_HDL
## 0 0
## Cholesterol_LDL GGT
## 0 0
## Serum_Urate Physical_Activity_Level
## 0 0
## Dietary_Intake_Calories Alcohol_Consumption
## 0 0
## Smoking_Status Family_History_of_Diabetes
## 0 0
## Previous_Gestational_Diabetes
## 0diabetes <- diabetes[complete.cases(diabetes), ]
colSums(is.na(diabetes))## ...1 Age
## 0 0
## Sex Ethnicity
## 0 0
## BMI Waist_Circumference
## 0 0
## Fasting_Blood_Glucose HbA1c
## 0 0
## Blood_Pressure_Systolic Blood_Pressure_Diastolic
## 0 0
## Cholesterol_Total Cholesterol_HDL
## 0 0
## Cholesterol_LDL GGT
## 0 0
## Serum_Urate Physical_Activity_Level
## 0 0
## Dietary_Intake_Calories Alcohol_Consumption
## 0 0
## Smoking_Status Family_History_of_Diabetes
## 0 0
## Previous_Gestational_Diabetes
## 03. Crear variable objetivo
- Aquí se define la variable dependiente del modelo, que será la que el modelo intentará predecir. En este caso, se crea una nueva columna que indica si un paciente es diabético o no, basándose en un valor específico de un examen médico.
diabetes$diabetic <- ifelse(diabetes$HbA1c >= 6.5, 1, 0)4. Codificar variables categóricas
- Se transforman las variables que contienen categorías (como género, etnia o hábitos de vida) en valores numéricos. Este paso es necesario porque los modelos de aprendizaje automático requieren datos numéricos para funcionar correctamente.
diabetes$Sex <- as.numeric(as.factor(diabetes$Sex)) - 1
diabetes$Ethnicity <- as.numeric(as.factor(diabetes$Ethnicity)) - 1
diabetes$Physical_Activity_Level <- as.numeric(as.factor(diabetes$Physical_Activity_Level)) - 1
diabetes$Alcohol_Consumption <- as.numeric(as.factor(diabetes$Alcohol_Consumption)) - 1
diabetes$Smoking_Status <- as.numeric(as.factor(diabetes$Smoking_Status)) - 15. Normalizar variables numéricas
- Se normalizan las variables numéricas para que todas tengan un rango similar. Esto es importante porque las redes neuronales son sensibles a las diferencias en la escala de los datos, y la normalización asegura que todas las variables contribuyan de manera equitativa al modelo.
numeric_cols <- sapply(diabetes, is.numeric) & !colnames(diabetes) %in% "diabetic"
numeric_data <- diabetes[, numeric_cols]
maxs <- apply(numeric_data, 2, max)
mins <- apply(numeric_data, 2, min)
ranges <- maxs - mins
ranges[ranges == 0] <- 1
scaled <- as.data.frame(scale(numeric_data, center = mins, scale = ranges))
scaled_data <- cbind(scaled, diabetes[, !numeric_cols])6. Análisis exploratorio
- Se realiza un análisis preliminar para entender las características del conjunto de datos. Esto incluye verificar la distribución de la variable objetivo (diabetes) y explorar las relaciones entre las variables mediante una matriz de correlación.
table(scaled_data$diabetic)##
## 0 1
## 2216 7784cor_matrix <- cor(scaled_data[, sapply(scaled_data, is.numeric)])
corrplot(cor_matrix, method = "number", type = "upper", tl.cex = 0.7)
7. División de datos
- El conjunto de datos se divide en dos partes: una para entrenar el modelo y otra para probar su rendimiento. Esta división es crucial para evaluar la capacidad del modelo para generalizar a datos nuevos y no vistos.
set.seed(123)
if (nrow(scaled_data) > 2000) {
scaled_data <- scaled_data[sample(nrow(scaled_data), 1000), ]
}
indices <- createDataPartition(scaled_data$diabetic, p = 0.8, list = FALSE)
train <- scaled_data[indices, ]
test <- scaled_data[-indices, ]8. Fórmula del modelo
- Se define la estructura del modelo de red neuronal, especificando qué variables se utilizarán para predecir la diabetes. Esto implica crear una fórmula que relaciona las características del paciente con la probabilidad de tener diabetes.
predictors <- names(train)[!names(train) %in% c("diabetic", "HbA1c")]
formula_nn <- as.formula(paste("diabetic ~", paste(predictors, collapse = " + ")))9. Crear y entrenar red neuronal
- Se entrena una red neuronal utilizando los datos de entrenamiento. Se ajustan ciertos parámetros, como el número de capas ocultas y neuronas en cada capa, para que la red aprenda a predecir la diabetes de la manera más precisa posible.
set.seed(123)
red <- neuralnet(
formula_nn,
data = train,
hidden = c(3, 2),
linear.output = FALSE,
act.fct = "logistic",
err.fct = "ce",
threshold = 0.2,
stepmax = 1e6
)
plot(red)10. Evaluación del modelo
- Después de entrenar el modelo, se evalúa su rendimiento prediciendo si un paciente tiene diabetes o no. Se compara la predicción con los resultados reales para calcular la precisión del modelo y ver qué tan bien está funcionando.
predicciones_bin <- unlist(red$net.result[[1]]) > 0.5 * 1
tablita <- data.frame(
Predicho = predicciones_bin,
Real = train$diabetic,
Acertado = predicciones_bin == train$diabetic
)
head(tablita)## Predicho Real Acertado
## 8718 TRUE 1 TRUE
## 2986 TRUE 1 TRUE
## 1842 TRUE 1 TRUE
## 9334 FALSE 0 TRUE
## 3371 TRUE 0 FALSE
## 6746 TRUE 0 FALSEtabla_resultados <- table(tablita$Acertado)
porcentajes <- round(prop.table(tabla_resultados) * 100, 2)
names(porcentajes) <- c("Falló (FALSE)", "Acertó (TRUE)")
porcentajes## Falló (FALSE) Acertó (TRUE)
## 15.12 84.8811. Matriz de confusión
- Se genera una matriz de confusión, que muestra cómo se comparan las predicciones del modelo con los valores reales. Esta matriz ayuda a calcular métricas como la precisión, la sensibilidad y la especificidad, que indican cuán efectivo es el modelo para identificar correctamente a los pacientes diabéticos.
predicciones_factor <- factor(predicciones_bin, levels = c(0, 1))
real_factor <- factor(train$diabetic, levels = c(0, 1))
confusionMatrix(predicciones_factor, real_factor)## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 0 0
## 1 0 0
##
## Accuracy : NaN
## 95% CI : (NA, NA)
## No Information Rate : NA
## P-Value [Acc > NIR] : NA
##
## Kappa : NaN
##
## Mcnemar's Test P-Value : NA
##
## Sensitivity : NA
## Specificity : NA
## Pos Pred Value : NA
## Neg Pred Value : NA
## Prevalence : NaN
## Detection Rate : NaN
## Detection Prevalence : NaN
## Balanced Accuracy : NA
##
## 'Positive' Class : 0
## 12.¿Qué aprendiste de la práctica?
- Aprendí a procesar datos reales, convertir variables categóricas, normalizar valores y aplicar redes neuronales para clasificación binaria en R.
13. ¿Qué mejorarías del modelo?
Se proponen posibles mejoras al modelo, como ajustar la estructura de la red neuronal (agregar más capas o neuronas) y utilizar técnicas como la validación cruzada para obtener una evaluación más robusta del rendimiento del modelo.
Este flujo de trabajo cubre todo el proceso de modelado en un análisis de datos de diabetes utilizando redes neuronales, desde la preparación de los datos hasta la evaluación del modelo final.