EVIDENCIA NOVEM
Equipo 4
2024-03-04
1 Librerias
# LibrerĆas necesarias
library(tidyverse)## āā Attaching core tidyverse packages āāāāāāāāāāāāāāāāāāāāāāāā tidyverse 2.0.0 āā
## ā dplyr 1.1.4 ā readr 2.1.5
## ā forcats 1.0.0 ā stringr 1.5.1
## ā ggplot2 3.5.1 ā tibble 3.2.1
## ā lubridate 1.9.4 ā tidyr 1.3.1
## ā purrr 1.0.4
## āā Conflicts āāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāā tidyverse_conflicts() āā
## ā dplyr::filter() masks stats::filter()
## ā dplyr::lag() masks stats::lag()
## ā¹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(readxl)
library(purrr)
library(knitr)
#install.packages("kableExtra")
library(kableExtra)##
## Attaching package: 'kableExtra'
##
## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(ggplot2)
#install.packages("igraph")
library(igraph)##
## Attaching package: 'igraph'
##
## The following objects are masked from 'package:lubridate':
##
## %--%, union
##
## The following objects are masked from 'package:dplyr':
##
## as_data_frame, groups, union
##
## The following objects are masked from 'package:purrr':
##
## compose, simplify
##
## The following object is masked from 'package:tidyr':
##
## crossing
##
## The following object is masked from 'package:tibble':
##
## as_data_frame
##
## The following objects are masked from 'package:stats':
##
## decompose, spectrum
##
## The following object is masked from 'package:base':
##
## union#install.packages("forecast")
#install.packages("lubridate")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoolibrary(lubridate)
library(corrplot)## corrplot 0.95 loadedlibrary(RColorBrewer)
#install.packages("ggcorrplot")
library(ggcorrplot)
library(caret)## Loading required package: lattice
##
## Attaching package: 'caret'
##
## The following object is masked from 'package:purrr':
##
## liftlibrary(car)## Loading required package: carData
##
## Attaching package: 'car'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following object is masked from 'package:purrr':
##
## somelibrary(randomForest)## randomForest 4.7-1.2
## Type rfNews() to see new features/changes/bug fixes.
##
## Attaching package: 'randomForest'
##
## The following object is masked from 'package:dplyr':
##
## combine
##
## The following object is masked from 'package:ggplot2':
##
## margin#install.packages("xgboost")
library(xgboost)##
## Attaching package: 'xgboost'
##
## The following object is masked from 'package:dplyr':
##
## slice#install.packages("patchwork")
library(patchwork)2 Carga de datos
# Cargar archivo Excel desde ruta local
ruta <- "/Users/oscarcastanedagarcia/Downloads/IA con impacto empresarial/filtered_data.xlsx"
datos <- read_excel(ruta)
# Vista genera
head(datos)## # A tibble: 6 Ć 25
## Trx_Num Trx_Fecha Origen Sucursal Num_Cliente ID_Inventario Cant
## <dbl> <dttm> <chr> <chr> <dbl> <dbl> <dbl>
## 1 46453 2023-02-09 00:00:00 FACTURASā¦ ACA 1049 155001 2
## 2 46455 2023-02-09 00:00:00 FACTURASā¦ ACA 7455 155001 40
## 3 46476 2023-02-16 00:00:00 FACTURASā¦ ACA 4981 155001 30
## 4 46480 2023-02-16 00:00:00 FACTURASā¦ ACA 7455 155001 60
## 5 46501 2023-02-20 00:00:00 FACTURASā¦ ACA 2925 155001 5
## 6 46528 2023-02-25 00:00:00 FACTURASā¦ ACA 1049 155001 2
## # ā¹ 18 more variables: Linea <chr>, Especifico <chr>, Canal_Venta <chr>,
## # Tipo_Precio <dbl>, Tipo_Modificador <chr>, Venta <dbl>, Costo_Venta <dbl>,
## # Costo_Devolucion <dbl>, Ajus_Sistema <dbl>, Precio_Lista_Unitario <dbl>,
## # Precio_Final_Unitario <dbl>, Semana <dbl>, Mes <dbl>, Ciudad <chr>,
## # Zona <chr>, Devoluciones <dbl>, Diferencia_Precio <dbl>,
## # Descuento_Porcentaje <dbl>str(datos)## tibble [32,244 Ć 25] (S3: tbl_df/tbl/data.frame)
## $ Trx_Num : num [1:32244] 46453 46455 46476 46480 46501 ...
## $ Trx_Fecha : POSIXct[1:32244], format: "2023-02-09" "2023-02-09" ...
## $ Origen : chr [1:32244] "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" ...
## $ Sucursal : chr [1:32244] "ACA" "ACA" "ACA" "ACA" ...
## $ Num_Cliente : num [1:32244] 1049 7455 4981 7455 2925 ...
## $ ID_Inventario : num [1:32244] 155001 155001 155001 155001 155001 ...
## $ Cant : num [1:32244] 2 40 30 60 5 2 1 4 1 1 ...
## $ Linea : chr [1:32244] "PQU" "PQU" "PQU" "PQU" ...
## $ Especifico : chr [1:32244] "TCG" "TCG" "TCG" "TCG" ...
## $ Canal_Venta : chr [1:32244] "Sucursal" "Sucursal" "Sucursal" "Sucursal" ...
## $ Tipo_Precio : num [1:32244] 1 1 1 1 1 1 1 1 1 1 ...
## $ Tipo_Modificador : chr [1:32244] "CARTA DESCUENTO" "CARTA DESCUENTO" "CARTA DESCUENTO" "CARTA DESCUENTO" ...
## $ Venta : num [1:32244] 1187 21280 15960 31920 2968 ...
## $ Costo_Venta : num [1:32244] 1194 23874 17906 35811 2570 ...
## $ Costo_Devolucion : num [1:32244] 0 0 0 0 0 0 0 0 0 0 ...
## $ Ajus_Sistema : num [1:32244] -2515 -2515 -2515 -2515 -2515 ...
## $ Precio_Lista_Unitario: num [1:32244] 4192 4192 4192 4192 4192 ...
## $ Precio_Final_Unitario: num [1:32244] 594 532 532 532 594 ...
## $ Semana : num [1:32244] 6 6 7 7 8 8 5 5 5 5 ...
## $ Mes : num [1:32244] 2 2 2 2 2 2 2 2 2 2 ...
## $ Ciudad : chr [1:32244] "Acapulco" "Acapulco" "Acapulco" "Acapulco" ...
## $ Zona : chr [1:32244] "Sur" "Sur" "Sur" "Sur" ...
## $ Devoluciones : num [1:32244] 0 0 0 0 0 0 0 0 0 0 ...
## $ Diferencia_Precio : num [1:32244] 3598 3660 3660 3660 3598 ...
## $ Descuento_Porcentaje : num [1:32244] 85.8 87.3 87.3 87.3 85.8 ...# Obtener los 5 productos mƔs vendidos (por valor)
top_ids <- datos %>%
group_by(ID_Inventario) %>%
summarise(Ventas_Totales = sum(Venta, na.rm = TRUE)) %>%
arrange(desc(Ventas_Totales)) %>%
slice_head(n = 5) %>%
pull(ID_Inventario)
print("Top 5 productos mƔs vendidos (ID_Inventario):")## [1] "Top 5 productos mƔs vendidos (ID_Inventario):"print(top_ids)## [1] 155001 3929788 3904152 155002 3678055# Filtrar datos vƔlidos
datos_filtrados <- datos %>%
filter(ID_Inventario %in% top_ids) %>%
filter(!is.na(Precio_Final_Unitario))
# Contar observaciones por producto
conteo <- datos_filtrados %>%
count(ID_Inventario, sort = TRUE)
print("NĆŗmero de registros por producto en datos_filtrados:")## [1] "NĆŗmero de registros por producto en datos_filtrados:"print(conteo)## # A tibble: 5 Ć 2
## ID_Inventario n
## <dbl> <int>
## 1 3929788 13717
## 2 155001 8559
## 3 155002 5752
## 4 3904152 2556
## 5 3678055 1660# Verifica si hay suficientes datos
if (nrow(datos_filtrados) == 0) {
stop("No hay datos suficientes luego de filtrar por top_ids y precios vƔlidos.")
}# Combinaciones de pares
productos <- unique(datos_filtrados$ID_Inventario)
pares_productos <- combn(productos, 2, simplify = FALSE)
# Inicializar resultados
resultados_ks <- map_df(pares_productos, function(par) {
prod1 <- par[1]
prod2 <- par[2]
precios1 <- datos_filtrados %>%
filter(ID_Inventario == prod1) %>%
pull(Precio_Final_Unitario)
precios2 <- datos_filtrados %>%
filter(ID_Inventario == prod2) %>%
pull(Precio_Final_Unitario)
print(paste("Comparando productos", prod1, "vs", prod2))
print(paste("Cantidad de precios:", length(precios1), "y", length(precios2)))
if (length(precios1) >= 5 & length(precios2) >= 5) {
prueba <- suppressWarnings(ks.test(precios1, precios2))
data.frame(
Producto_1 = prod1,
Producto_2 = prod2,
D = round(prueba$statistic, 4),
p_value = round(prueba$p.value, 4),
Conclusion = ifelse(prueba$p.value > 0.05, "Distribuciones similares", "Distribuciones diferentes")
)
} else {
data.frame(
Producto_1 = prod1,
Producto_2 = prod2,
D = NA,
p_value = NA,
Conclusion = "Datos insuficientes"
)
}
})## [1] "Comparando productos 155001 vs 3929788"
## [1] "Cantidad de precios: 8559 y 13717"
## [1] "Comparando productos 155001 vs 155002"
## [1] "Cantidad de precios: 8559 y 5752"
## [1] "Comparando productos 155001 vs 3904152"
## [1] "Cantidad de precios: 8559 y 2556"
## [1] "Comparando productos 155001 vs 3678055"
## [1] "Cantidad de precios: 8559 y 1660"
## [1] "Comparando productos 3929788 vs 155002"
## [1] "Cantidad de precios: 13717 y 5752"
## [1] "Comparando productos 3929788 vs 3904152"
## [1] "Cantidad de precios: 13717 y 2556"
## [1] "Comparando productos 3929788 vs 3678055"
## [1] "Cantidad de precios: 13717 y 1660"
## [1] "Comparando productos 155002 vs 3904152"
## [1] "Cantidad de precios: 5752 y 2556"
## [1] "Comparando productos 155002 vs 3678055"
## [1] "Cantidad de precios: 5752 y 1660"
## [1] "Comparando productos 3904152 vs 3678055"
## [1] "Cantidad de precios: 2556 y 1660"print("Resultados de la prueba KS:")## [1] "Resultados de la prueba KS:"print(resultados_ks)## Producto_1 Producto_2 D p_value Conclusion
## D...1 155001 3929788 1.000 0 Distribuciones diferentes
## D...2 155001 155002 0.043 0 Distribuciones diferentes
## D...3 155001 3904152 1.000 0 Distribuciones diferentes
## D...4 155001 3678055 1.000 0 Distribuciones diferentes
## D...5 3929788 155002 1.000 0 Distribuciones diferentes
## D...6 3929788 3904152 1.000 0 Distribuciones diferentes
## D...7 3929788 3678055 1.000 0 Distribuciones diferentes
## D...8 155002 3904152 1.000 0 Distribuciones diferentes
## D...9 155002 3678055 1.000 0 Distribuciones diferentes
## D...10 3904152 3678055 1.000 0 Distribuciones diferentes# Filtrar los productos
df_155001 <- datos_filtrados %>%
filter(ID_Inventario == 155001) %>%
select(Precio_Final_Unitario) %>%
mutate(Producto = "155001")
df_155002 <- datos_filtrados %>%
filter(ID_Inventario == 155002) %>%
select(Precio_Final_Unitario) %>%
mutate(Producto = "155002")
# Unir en un solo dataframe
df_ecdf <- bind_rows(df_155001, df_155002)
# Graficar ECDF
ggplot(df_ecdf, aes(x = Precio_Final_Unitario, color = Producto)) +
stat_ecdf(geom = "step", size = 1) +
labs(title = "ECDF de Precio Final Unitario: Productos 155001 vs 155002",
x = "Precio Final Unitario",
y = "FunciĆ³n de DistribuciĆ³n Acumulada (ECDF)",
color = "Producto") +
theme_minimal(base_size = 14)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ā¹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
3 ARMA
4 PREDICCIONES DE VENTAS
4.1 PRODUCTO 155001
# Producto 155001
id_prod <- 155001
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
r2 <- 1 - sum((serie_ts - fitted_values)^2) / sum((serie_ts - mean(serie_ts))^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
R2 = r2,
RMSE = rmse,
MAPE = mape,
MSE = mse,
AIC = modelo_arma$aic
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | R2 | RMSE | MAPE | MSE | AIC |
|---|---|---|---|---|---|---|
| 155001 | ARMA | 0.2852104 | 224023.2 | 17.68164 | 50186414029 | 668.1788 |
4.2 PRODUCTO 3929788
# Producto 3929788
id_prod <- 3929788
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
r2 <- 1 - sum((serie_ts - fitted_values)^2) / sum((serie_ts - mean(serie_ts))^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
R2 = r2,
RMSE = rmse,
MAPE = mape,
MSE = mse,
AIC = modelo_arma$aic
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | R2 | RMSE | MAPE | MSE | AIC | |
|---|---|---|---|---|---|---|---|
| 2 | 3929788 | ARMA | 0.2103968 | 145274 | 12.83705 | 21104522677 | 619.9223 |
4.3 PRODUCTO 3904152
# Producto 3904152
id_prod <- 3904152
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
r2 <- 1 - sum((serie_ts - fitted_values)^2) / sum((serie_ts - mean(serie_ts))^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
R2 = r2,
RMSE = rmse,
MAPE = mape,
MSE = mse,
AIC = modelo_arma$aic
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | R2 | RMSE | MAPE | MSE | AIC | |
|---|---|---|---|---|---|---|---|
| 3 | 3904152 | ARMA | 0 | 156981.2 | 15.35679 | 24643096410 | 646.3754 |
4.4 PRODUCTO 155002
# Producto 155002
id_prod <- 155002
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
r2 <- 1 - sum((serie_ts - fitted_values)^2) / sum((serie_ts - mean(serie_ts))^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
R2 = r2,
RMSE = rmse,
MAPE = mape,
MSE = mse,
AIC = modelo_arma$aic
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | R2 | RMSE | MAPE | MSE | AIC | |
|---|---|---|---|---|---|---|---|
| 4 | 155002 | ARMA | 0.2422527 | 192121.8 | 25.83303 | 36910797834 | 660.8983 |
4.5 PRODUCTO 3678055
# Producto 3678055
id_prod <- 3678055
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
r2 <- 1 - sum((serie_ts - fitted_values)^2) / sum((serie_ts - mean(serie_ts))^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
R2 = r2,
RMSE = rmse,
MAPE = mape,
MSE = mse,
AIC = modelo_arma$aic
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | R2 | RMSE | MAPE | MSE | AIC | |
|---|---|---|---|---|---|---|---|
| 5 | 3678055 | ARMA | 0 | 177040.5 | 22.73775 | 31343328866 | 652.1475 |
5 REGRESION LINEAL
5.1 MAPA DE CALOR
# Variables numƩricas relevantes
vars_numericas <- c("Cant", "Venta", "Costo_Venta",
"Precio_Final_Unitario", "Descuento_Porcentaje")
# PreparaciĆ³n de los datos
datos_cor <- datos_filtrados %>%
select(all_of(vars_numericas)) %>%
na.omit()
# Generar la matriz de correlaciĆ³n
matriz_cor <- cor(datos_cor)
# Ajuste del grƔfico sin mar
ggcorrplot(matriz_cor,
method = "square",
type = "upper",
lab = TRUE,
lab_size = 2, # Mejor tamaƱo de los coeficientes
tl.cex = 10, # TamaƱo de etiquetas mƔs grande
tl.srt = 45, # RotaciĆ³n de 45Ā° de etiquetas
colors = c("#6D9EC1", "white", "#E46726"),
title = "Mapa de CorrelaciĆ³n - Variables NumĆ©ricas",
ggtheme = theme_minimal(base_size = 14) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
axis.text.y = element_text(angle = 0, hjust = 1))
)
5.2 PRODUCTO 155001
# Filtrar solo los datos para el producto 155001
datos_155001 <- datos_filtrados %>%
filter(ID_Inventario == 155001) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_155001 <- datos_155001 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_155001)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1187. 2 1194. 594. 85.8
## 2 21280 40 23874. 532 87.3
## 3 15960 30 17906. 532 87.3
## 4 31920 60 35811. 532 87.3
## 5 2968 5 2570. 594. 85.8
## 6 1187. 2 958. 594. 85.8
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_155001 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155001)
# Ver resumen del modelo
summary(modelo_regresion_155001)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_155001)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12228.9 -128.0 35.3 100.1 24517.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.319e+03 1.165e+03 -2.849 0.0044 **
## Cant 1.578e+02 3.300e+00 47.839 <2e-16 ***
## Costo_Venta 6.802e-01 8.789e-03 77.388 <2e-16 ***
## Precio_Final_Unitario 2.859e+00 2.544e-01 11.241 <2e-16 ***
## Descuento_Porcentaje 2.326e+01 1.199e+01 1.939 0.0525 .
## Tiempo 8.990e+04 1.940e+05 0.463 0.6431
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 742.9 on 8553 degrees of freedom
## Multiple R-squared: 0.9879, Adjusted R-squared: 0.9879
## F-statistic: 1.393e+05 on 5 and 8553 DF, p-value: < 2.2e-16# Ajuste del modelo de regresiĆ³n lineal
modelo_regresion_155001 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155001)
# Predicciones usando el modelo ajustado
predicciones_155001 <- predict(modelo_regresion_155001, newdata = datos_155001)
# Calcular R^2 (coeficiente de determinaciĆ³n)
r2_155001 <- summary(modelo_regresion_155001)$r.squared
# Calcular AIC (Akaike Information Criterion)
aic_155001 <- AIC(modelo_regresion_155001)
# Calcular RMSE (Root Mean Squared Error)
rmse_155001 <- sqrt(mean((datos_155001$Venta - predicciones_155001)^2))
# Calcular MAPE (Mean Absolute Percentage Error)
mape_155001 <- mean(abs((datos_155001$Venta - predicciones_155001) / datos_155001$Venta)) * 100
# Calcular MSE (Mean Squared Error)
mse_155001 <- mean((datos_155001$Venta - predicciones_155001)^2)
# Mostrar las mƩtricas
cat("R^2 del modelo de regresiĆ³n lineal para 155001: ", r2_155001, "\n")## R^2 del modelo de regresiĆ³n lineal para 155001: 0.9878651cat("AIC del modelo de regresiĆ³n lineal para 155001: ", aic_155001, "\n")## AIC del modelo de regresiĆ³n lineal para 155001: 137457cat("RMSE del modelo de regresiĆ³n lineal para 155001: ", rmse_155001, "\n")## RMSE del modelo de regresiĆ³n lineal para 155001: 742.6409cat("MAPE del modelo de regresiĆ³n lineal para 155001: ", mape_155001, "\n")## MAPE del modelo de regresiĆ³n lineal para 155001: 14.49668cat("MSE del modelo de regresiĆ³n lineal para 155001: ", mse_155001, "\n")## MSE del modelo de regresiĆ³n lineal para 155001: 551515.6# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_155001)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
R2 = r2_155001, # Usa el nombre especĆfico para este producto
RMSE = rmse_155001,
MAPE = mape_155001,
MSE = mse_155001,
AIC = aic_155001
))5.3 PRODUCTO 3929788
# Filtrar solo los datos para el producto 3929788
datos_3929788 <- datos_filtrados %>%
filter(ID_Inventario == 3929788) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3929788 <- datos_3929788 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3929788)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 364 10 254. 36.4 60
## 2 242. 6 167. 40.3 60
## 3 697. 15 506. 46.5 48.9
## 4 13020 300 10110. 43.4 52.3
## 5 2170 50 1685. 43.4 52.3
## 6 434 10 337. 43.4 52.3
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3929788 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3929788)
# Ver resumen del modelo
summary(modelo_regresion_3929788)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3929788)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4348.4 -81.8 -45.4 27.9 3441.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.154e+02 1.690e+02 3.049 0.0023 **
## Cant 2.552e+00 2.503e-01 10.193 < 2e-16 ***
## Costo_Venta 1.102e+00 8.312e-03 132.603 < 2e-16 ***
## Precio_Final_Unitario 8.877e-01 1.674e+00 0.530 0.5960
## Descuento_Porcentaje -7.636e+00 1.750e+00 -4.364 1.29e-05 ***
## Tiempo 2.082e+05 4.365e+04 4.771 1.85e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 218.9 on 13711 degrees of freedom
## Multiple R-squared: 0.9949, Adjusted R-squared: 0.9949
## F-statistic: 5.393e+05 on 5 and 13711 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_3929788 <- predict(modelo_regresion_3929788, newdata = datos_3929788)
# Calcular R^2 (coeficiente de determinaciĆ³n)
r2_3929788 <- summary(modelo_regresion_3929788)$r.squared
# Calcular AIC (Akaike Information Criterion)
aic_3929788 <- AIC(modelo_regresion_3929788)
# Calcular RMSE (Root Mean Squared Error)
rmse_3929788 <- sqrt(mean((datos_3929788$Venta - predicciones_3929788)^2))
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3929788 <- mean(abs((datos_3929788$Venta - predicciones_3929788) / pmax(datos_3929788$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
mse_3929788 <- mean((datos_3929788$Venta - predicciones_3929788)^2)
# Mostrar las mƩtricas
cat("R^2 del modelo de regresiĆ³n lineal para 3929788: ", r2_3929788, "\n")## R^2 del modelo de regresiĆ³n lineal para 3929788: 0.9949412cat("AIC del modelo de regresiĆ³n lineal para 3929788: ", aic_3929788, "\n")## AIC del modelo de regresiĆ³n lineal para 3929788: 186768.1cat("RMSE del modelo de regresiĆ³n lineal para 3929788: ", rmse_3929788, "\n")## RMSE del modelo de regresiĆ³n lineal para 3929788: 218.8655cat("MAPE del modelo de regresiĆ³n lineal para 3929788: ", mape_3929788, "\n")## MAPE del modelo de regresiĆ³n lineal para 3929788: 22.37678cat("MSE del modelo de regresiĆ³n lineal para 3929788: ", mse_3929788, "\n")## MSE del modelo de regresiĆ³n lineal para 3929788: 47902.12# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3929788)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
R2 = r2_3929788, # Usa el nombre especĆfico para este producto
RMSE = rmse_3929788,
MAPE = mape_3929788,
MSE = mse_3929788,
AIC = aic_3929788
))5.4 PRODUCTO 3904152
# Filtrar solo los datos para el producto 3904152
datos_3904152 <- datos_filtrados %>%
filter(ID_Inventario == 3904152) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3904152 <- datos_3904152 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3904152)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3402 1 2462. 3402 62.4
## 2 9240 3 7382. 3080 66.0
## 3 3402 1 2461. 3402 62.4
## 4 3402 1 2462. 3402 62.4
## 5 3402 1 2462. 3402 62.4
## 6 30800 10 24563. 3080 66.0
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3904152 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3904152)
# Ver resumen del modelo
summary(modelo_regresion_3904152)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3904152)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7591.2 -149.6 -11.9 114.8 3142.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.279e+04 1.005e+03 12.720 < 2e-16 ***
## Cant 2.651e+02 5.929e+01 4.470 8.16e-06 ***
## Costo_Venta 1.172e+00 2.513e-02 46.650 < 2e-16 ***
## Precio_Final_Unitario -1.734e-01 9.940e-02 -1.744 0.0812 .
## Descuento_Porcentaje -1.888e+02 1.108e+01 -17.049 < 2e-16 ***
## Tiempo 2.313e+06 1.487e+05 15.561 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 376.9 on 2550 degrees of freedom
## Multiple R-squared: 0.9987, Adjusted R-squared: 0.9987
## F-statistic: 4.059e+05 on 5 and 2550 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_3904152 <- predict(modelo_regresion_3904152, newdata = datos_3904152)
# Calcular R^2 (coeficiente de determinaciĆ³n)
r2_3904152 <- summary(modelo_regresion_3904152)$r.squared
# Calcular AIC (Akaike Information Criterion)
aic_3904152 <- AIC(modelo_regresion_3904152)
# Calcular RMSE (Root Mean Squared Error)
rmse_3904152 <- sqrt(mean((datos_3904152$Venta - predicciones_3904152)^2))
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3904152 <- mean(abs((datos_3904152$Venta - predicciones_3904152) / pmax(datos_3904152$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
mse_3904152 <- mean((datos_3904152$Venta - predicciones_3904152)^2)
# Mostrar las mƩtricas
cat("R^2 del modelo de regresiĆ³n lineal para 3904152: ", r2_3904152, "\n")## R^2 del modelo de regresiĆ³n lineal para 3904152: 0.9987452cat("AIC del modelo de regresiĆ³n lineal para 3904152: ", aic_3904152, "\n")## AIC del modelo de regresiĆ³n lineal para 3904152: 37586.27cat("RMSE del modelo de regresiĆ³n lineal para 3904152: ", rmse_3904152, "\n")## RMSE del modelo de regresiĆ³n lineal para 3904152: 376.4854cat("MAPE del modelo de regresiĆ³n lineal para 3904152: ", mape_3904152, "\n")## MAPE del modelo de regresiĆ³n lineal para 3904152: 3.343441cat("MSE del modelo de regresiĆ³n lineal para 3904152: ", mse_3904152, "\n")## MSE del modelo de regresiĆ³n lineal para 3904152: 141741.2# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3904152)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
R2 = r2_3904152, # Usa el nombre especĆfico para este producto
RMSE = rmse_3904152,
MAPE = mape_3904152,
MSE = mse_3904152,
AIC = aic_3904152
))5.5 PRODUCTO 155002
# Filtrar solo los datos para el producto 155002
datos_155002 <- datos_filtrados %>%
filter(ID_Inventario == 155002) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_155002 <- datos_155002 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_155002)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5320 10 8247. 532 87.3
## 2 5320 10 8247. 532 87.3
## 3 2660 5 4124. 532 87.3
## 4 630 1 519. 630 85.0
## 5 1120 2 1037. 560 86.6
## 6 1537. 3 1556. 512. 87.8
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_155002 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155002)
# Ver resumen del modelo
summary(modelo_regresion_155002)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_155002)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11980 -167 55 154 46301
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.521e+02 1.894e+03 0.450 0.652854
## Cant 2.992e+02 3.945e+00 75.856 < 2e-16 ***
## Costo_Venta 3.025e-01 9.834e-03 30.758 < 2e-16 ***
## Precio_Final_Unitario 3.681e+00 3.980e-01 9.250 < 2e-16 ***
## Descuento_Porcentaje -2.875e+01 1.957e+01 -1.469 0.141855
## Tiempo 9.982e+05 3.004e+05 3.323 0.000896 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 890.7 on 5746 degrees of freedom
## Multiple R-squared: 0.9723, Adjusted R-squared: 0.9723
## F-statistic: 4.039e+04 on 5 and 5746 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_155002 <- predict(modelo_regresion_155002, newdata = datos_155002)
# Calcular R^2 (coeficiente de determinaciĆ³n)
r2_155002 <- summary(modelo_regresion_155002)$r.squared
# Calcular AIC (Akaike Information Criterion)
aic_155002 <- AIC(modelo_regresion_155002)
# Calcular RMSE (Root Mean Squared Error)
rmse_155002 <- sqrt(mean((datos_155002$Venta - predicciones_155002)^2))
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_155002 <- mean(abs((datos_155002$Venta - predicciones_155002) / pmax(datos_155002$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
mse_155002 <- mean((datos_155002$Venta - predicciones_155002)^2)
# Mostrar las mƩtricas
cat("R^2 del modelo de regresiĆ³n lineal para 155002: ", r2_155002, "\n")## R^2 del modelo de regresiĆ³n lineal para 155002: 0.9723332cat("AIC del modelo de regresiĆ³n lineal para 155002: ", aic_155002, "\n")## AIC del modelo de regresiĆ³n lineal para 155002: 94466.7cat("RMSE del modelo de regresiĆ³n lineal para 155002: ", rmse_155002, "\n")## RMSE del modelo de regresiĆ³n lineal para 155002: 890.2337cat("MAPE del modelo de regresiĆ³n lineal para 155002: ", mape_155002, "\n")## MAPE del modelo de regresiĆ³n lineal para 155002: 19.918cat("MSE del modelo de regresiĆ³n lineal para 155002: ", mse_155002, "\n")## MSE del modelo de regresiĆ³n lineal para 155002: 792516.1# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_155002)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155002", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
R2 = r2_155002, # Usa el nombre especĆfico para este producto
RMSE = rmse_155002,
MAPE = mape_155002,
MSE = mse_155002,
AIC = aic_155002
))5.6 PRODUCTO 3678055
# Filtrar solo los datos para el producto 3678055
datos_3678055 <- datos_filtrados %>%
filter(ID_Inventario == 3678055) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3678055 <- datos_3678055 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3678055)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 36358 7 28807. 5194 65.9
## 2 5670 1 4213. 5670 62.8
## 3 10773 2 8232. 5386. 64.7
## 4 5670 1 4116. 5670 62.8
## 5 5386. 1 4156. 5386. 64.7
## 6 5386. 1 4213. 5386. 64.7
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3678055 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3678055)
# Ver resumen del modelo
summary(modelo_regresion_3678055)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3678055)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3921.4 -165.9 -7.8 170.0 3631.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.260e+04 1.396e+03 9.024 < 2e-16 ***
## Cant 1.570e+03 1.017e+02 15.439 < 2e-16 ***
## Costo_Venta 9.057e-01 2.541e-02 35.648 < 2e-16 ***
## Precio_Final_Unitario 2.424e-01 8.578e-02 2.826 0.00477 **
## Descuento_Porcentaje -2.127e+02 1.512e+01 -14.061 < 2e-16 ***
## Tiempo 2.034e+06 2.032e+05 10.009 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 461.5 on 1654 degrees of freedom
## Multiple R-squared: 0.9976, Adjusted R-squared: 0.9976
## F-statistic: 1.376e+05 on 5 and 1654 DF, p-value: < 2.2e-16#Predicciones usando el modelo ajustado
predicciones_3678055 <- predict(modelo_regresion_3678055, newdata = datos_3678055)
# Calcular R^2 (coeficiente de determinaciĆ³n)
r2_3678055 <- summary(modelo_regresion_3678055)$r.squared
# Calcular AIC (Akaike Information Criterion)
aic_3678055 <- AIC(modelo_regresion_3678055)
# Calcular RMSE (Root Mean Squared Error)
rmse_3678055 <- sqrt(mean((datos_3678055$Venta - predicciones_3678055)^2))
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3678055 <- mean(abs((datos_3678055$Venta - predicciones_3678055) / pmax(datos_3678055$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
mse_3678055 <- mean((datos_3678055$Venta - predicciones_3678055)^2)
# Mostrar las mƩtricas
cat("R^2 del modelo de regresiĆ³n lineal para 3678055: ", r2_3678055, "\n")## R^2 del modelo de regresiĆ³n lineal para 3678055: 0.9976025cat("AIC del modelo de regresiĆ³n lineal para 3678055: ", aic_3678055, "\n")## AIC del modelo de regresiĆ³n lineal para 3678055: 25085.29cat("RMSE del modelo de regresiĆ³n lineal para 3678055: ", rmse_3678055, "\n")## RMSE del modelo de regresiĆ³n lineal para 3678055: 460.6574cat("MAPE del modelo de regresiĆ³n lineal para 3678055: ", mape_3678055, "\n")## MAPE del modelo de regresiĆ³n lineal para 3678055: 2.900802cat("MSE del modelo de regresiĆ³n lineal para 3678055: ", mse_3678055, "\n")## MSE del modelo de regresiĆ³n lineal para 3678055: 212205.3# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3678055)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
R2 = r2_3678055, # Usa el nombre especĆfico para este producto
RMSE = rmse_3678055,
MAPE = mape_3678055,
MSE = mse_3678055,
AIC = aic_3678055
))5.7 ANALISIS DE VARIABLES IMPORTANTES
# FunciĆ³n simplificada para analizar coeficientes
analizar_coeficientes <- function(modelo, nombre_producto) {
resumen <- summary(modelo)
coef_df <- as.data.frame(resumen$coefficients)
colnames(coef_df) <- c("Estimate", "Std.Error", "t.value", "p.value")
coef_df$Variable <- rownames(coef_df)
coef_df$Producto <- nombre_producto
coef_df$Significativo <- ifelse(coef_df$p.value < 0.05, "SĆ", "No")
return(coef_df %>%
select(Producto, Variable, Estimate, p.value, Significativo) %>%
arrange(desc(abs(Estimate))))
}
# Aplicar a cada modelo
coef_155001 <- analizar_coeficientes(modelo_regresion_155001, "155001")
coef_155002 <- analizar_coeficientes(modelo_regresion_155002, "155002")
coef_3678055 <- analizar_coeficientes(modelo_regresion_3678055, "3678055")
coef_3904152 <- analizar_coeficientes(modelo_regresion_3904152, "3904152")
coef_3929788 <- analizar_coeficientes(modelo_regresion_3929788, "3929788")
# Combinar todos los coeficientes
todos_coeficientes <- bind_rows(coef_155001, coef_155002, coef_3678055, coef_3904152, coef_3929788)
# Tabla con variables importantes incluyendo significancia
variables_importantes <- todos_coeficientes %>%
filter(Variable != "(Intercept)") %>%
group_by(Producto) %>%
arrange(Producto, desc(abs(Estimate))) %>%
mutate(Impacto = ifelse(Estimate > 0, "Positivo", "Negativo"))
# Tabla completa con todas las variables importantes
kable(variables_importantes %>%
select(Producto, Variable, Estimate, p.value, Significativo, Impacto),
caption = "Variables importantes por producto",
col.names = c("Producto", "Variable", "Coeficiente", "p-value", "Significativo", "Impacto"),
digits = c(0, 0, 4, 4, 0, 0)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Producto | Variable | Coeficiente | p-value | Significativo | Impacto |
|---|---|---|---|---|---|
| 155001 | Tiempo | 89900.3830 | 0.6431 | No | Positivo |
| 155001 | Cant | 157.8442 | 0.0000 | SĆ | Positivo |
| 155001 | Descuento_Porcentaje | 23.2560 | 0.0525 | No | Positivo |
| 155001 | Precio_Final_Unitario | 2.8592 | 0.0000 | SĆ | Positivo |
| 155001 | Costo_Venta | 0.6802 | 0.0000 | SĆ | Positivo |
| 155002 | Tiempo | 998207.9076 | 0.0009 | SĆ | Positivo |
| 155002 | Cant | 299.2286 | 0.0000 | SĆ | Positivo |
| 155002 | Descuento_Porcentaje | -28.7504 | 0.1419 | No | Negativo |
| 155002 | Precio_Final_Unitario | 3.6812 | 0.0000 | SĆ | Positivo |
| 155002 | Costo_Venta | 0.3025 | 0.0000 | SĆ | Positivo |
| 3678055 | Tiempo | 2034282.2796 | 0.0000 | SĆ | Positivo |
| 3678055 | Cant | 1570.0692 | 0.0000 | SĆ | Positivo |
| 3678055 | Descuento_Porcentaje | -212.6746 | 0.0000 | SĆ | Negativo |
| 3678055 | Costo_Venta | 0.9057 | 0.0000 | SĆ | Positivo |
| 3678055 | Precio_Final_Unitario | 0.2425 | 0.0048 | SĆ | Positivo |
| 3904152 | Tiempo | 2313419.2297 | 0.0000 | SĆ | Positivo |
| 3904152 | Cant | 265.0523 | 0.0000 | SĆ | Positivo |
| 3904152 | Descuento_Porcentaje | -188.8303 | 0.0000 | SĆ | Negativo |
| 3904152 | Costo_Venta | 1.1722 | 0.0000 | SĆ | Positivo |
| 3904152 | Precio_Final_Unitario | -0.1734 | 0.0812 | No | Negativo |
| 3929788 | Tiempo | 208247.8173 | 0.0000 | SĆ | Positivo |
| 3929788 | Descuento_Porcentaje | -7.6365 | 0.0000 | SĆ | Negativo |
| 3929788 | Cant | 2.5517 | 0.0000 | SĆ | Positivo |
| 3929788 | Costo_Venta | 1.1022 | 0.0000 | SĆ | Positivo |
| 3929788 | Precio_Final_Unitario | 0.8877 | 0.5960 | No | Positivo |
# Tabla resumen con top 3 por producto
top_por_producto <- variables_importantes %>%
group_by(Producto) %>%
slice_head(n = 3) %>%
select(Producto, Variable, Estimate, p.value, Significativo, Impacto)
kable(top_por_producto,
caption = "Top 3 variables mƔs importantes por producto",
col.names = c("Producto", "Variable", "Coeficiente", "p-value", "Significativo", "Impacto"),
digits = c(0, 0, 4, 4, 0, 0)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Producto | Variable | Coeficiente | p-value | Significativo | Impacto |
|---|---|---|---|---|---|
| 155001 | Tiempo | 89900.3830 | 0.6431 | No | Positivo |
| 155001 | Cant | 157.8442 | 0.0000 | SĆ | Positivo |
| 155001 | Descuento_Porcentaje | 23.2560 | 0.0525 | No | Positivo |
| 155002 | Tiempo | 998207.9076 | 0.0009 | SĆ | Positivo |
| 155002 | Cant | 299.2286 | 0.0000 | SĆ | Positivo |
| 155002 | Descuento_Porcentaje | -28.7504 | 0.1419 | No | Negativo |
| 3678055 | Tiempo | 2034282.2796 | 0.0000 | SĆ | Positivo |
| 3678055 | Cant | 1570.0692 | 0.0000 | SĆ | Positivo |
| 3678055 | Descuento_Porcentaje | -212.6746 | 0.0000 | SĆ | Negativo |
| 3904152 | Tiempo | 2313419.2297 | 0.0000 | SĆ | Positivo |
| 3904152 | Cant | 265.0523 | 0.0000 | SĆ | Positivo |
| 3904152 | Descuento_Porcentaje | -188.8303 | 0.0000 | SĆ | Negativo |
| 3929788 | Tiempo | 208247.8173 | 0.0000 | SĆ | Positivo |
| 3929788 | Descuento_Porcentaje | -7.6365 | 0.0000 | SĆ | Negativo |
| 3929788 | Cant | 2.5517 | 0.0000 | SĆ | Positivo |
6 RANDOM FOREST
6.1 PRODUCTO 155001
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155001 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_155001 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_155001)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 1527551
## % Var explained: 96.64# Obtener predicciones
predicciones_rf <- predict(modelo_rf_155001, newdata = datos_modelo)
# Calcular mƩtricas
# RĀ² (ya calculado por el modelo)
r2_rf <- 1 - sum((datos_modelo$Venta - predicciones_rf)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# AIC aproximado (usando fĆ³rmula general para AIC)
n <- nrow(datos_modelo)
k <- length(modelo_rf_155001$forest$ncat) # NĆŗmero de variables
mse <- mean((datos_modelo$Venta - predicciones_rf)^2)
aic_rf <- n * log(mse) + 2 * k
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 155001\n")## Modelo Random Forest para producto 155001cat("RĀ² del modelo Random Forest:", r2_rf, "\n")## RĀ² del modelo Random Forest: 0.9914789cat("AIC aproximado del modelo Random Forest:", aic_rf, "\n")## AIC aproximado del modelo Random Forest: 110137.6cat("RMSE del modelo Random Forest:", rmse_rf, "\n")## RMSE del modelo Random Forest: 622.3116cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.4085599cat("MSE del modelo Random Forest:", mse_rf, "\n\n")## MSE del modelo Random Forest: 387271.7# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_155001)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 30.450104 161568380699
## Costo_Venta 35.858281 202647475601
## Precio_Final_Unitario 2.363057 5466467501
## Descuento_Porcentaje 2.374052 9340162988
## Tiempo 3.107877 4882101135# Graficar importancia de variables
varImpPlot(modelo_rf_155001, main = "Importancia de Variables - Producto 155001")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155001",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# NUEVOS ANĆLISIS AĆADIDOS
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155001",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# EstadĆsticas descriptivas de los errores
cat("EstadĆsticas descriptivas de los errores:\n")## EstadĆsticas descriptivas de los errores:cat("Media de errores:", mean(errores), "\n")## Media de errores: 10.78726cat("DesviaciĆ³n estĆ”ndar de errores:", sd(errores), "\n")## DesviaciĆ³n estĆ”ndar de errores: 622.2545cat("MĆnimo:", min(errores), "\n")## MĆnimo: -3000.569cat("MĆ”ximo:", max(errores), "\n")## MĆ”ximo: 47173.6cat("Mediana:", median(errores), "\n")## Mediana: -0.03039354# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155001",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "Random Forest",
R2 = r2_rf, # Estas variables son las que se usan en tu cĆ³digo RF
RMSE = rmse_rf,
MAPE = mape_rf,
MSE = mse_rf,
AIC = aic_rf
))6.2 PRODUCTO 3929788
# Crear una variable de tiempo continua basada en la fecha
datos_3929788 <- datos_3929788 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")),
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses
# Mostrar un resumen de los datos
summary(datos_3929788)## Venta Cant Costo_Venta Precio_Final_Unitario
## Min. : 30.52 Min. : 1.00 Min. : 25.36 Min. : 28.00
## 1st Qu.: 403.20 1st Qu.: 10.00 1st Qu.: 280.17 1st Qu.: 36.40
## Median : 873.60 Median : 20.00 Median : 623.38 Median : 40.32
## Mean : 1660.11 Mean : 42.99 Mean : 1301.82 Mean : 40.83
## 3rd Qu.: 2016.00 3rd Qu.: 50.00 3rd Qu.: 1513.40 3rd Qu.: 43.57
## Max. :53096.40 Max. :1540.00 Max. :46610.46 Max. :108.92
## Descuento_Porcentaje Trx_Fecha Fecha
## Min. : 0.00 Min. :2023-01-02 00:00:00.00 Min. :2023-01-01
## 1st Qu.:60.00 1st Qu.:2023-07-05 00:00:00.00 1st Qu.:2023-07-01
## Median :60.19 Median :2024-01-15 00:00:00.00 Median :2024-01-01
## Mean :60.84 Mean :2024-01-06 20:09:02.74 Mean :2023-12-21
## 3rd Qu.:65.28 3rd Qu.:2024-07-09 00:00:00.00 3rd Qu.:2024-07-01
## Max. :71.72 Max. :2024-12-31 00:00:00.00 Max. :2024-12-01
## Tiempo
## Min. :0.000e+00
## 1st Qu.:6.983e-05
## Median :1.408e-04
## Mean :1.370e-04
## 3rd Qu.:2.110e-04
## Max. :2.701e-04# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3929788 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3929788 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3929788)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 19754.14
## % Var explained: 99.79# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3929788, newdata = datos_modelo)
# Calcular mƩtricas
# RĀ² (ya calculado por el modelo)
r2_rf <- 1 - sum((datos_modelo$Venta - predicciones_rf)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# AIC aproximado (usando fĆ³rmula general para AIC)
n <- nrow(datos_modelo)
k <- length(modelo_rf_3929788$forest$ncat) # NĆŗmero de variables
mse <- mean((datos_modelo$Venta - predicciones_rf)^2)
aic_rf <- n * log(mse) + 2 * k
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3929788\n")## Modelo Random Forest para producto 3929788cat("RĀ² del modelo Random Forest:", r2_rf, "\n")## RĀ² del modelo Random Forest: 0.9995711cat("AIC aproximado del modelo Random Forest:", aic_rf, "\n")## AIC aproximado del modelo Random Forest: 113988.3cat("RMSE del modelo Random Forest:", rmse_rf, "\n")## RMSE del modelo Random Forest: 63.72883cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.4490773cat("MSE del modelo Random Forest:", mse_rf, "\n\n")## MSE del modelo Random Forest: 4061.364# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3929788)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 34.276494 56601065324
## Costo_Venta 39.131339 68121001903
## Precio_Final_Unitario 2.395103 1273355507
## Descuento_Porcentaje 9.421761 3916614655
## Tiempo 1.643341 378918548# Graficar importancia de variables
varImpPlot(modelo_rf_3929788, main = "Importancia de Variables - Producto 3929788")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3929788",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3929788",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3929788",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "Random Forest",
R2 = r2_rf, # Estas variables son las que se usan en tu cĆ³digo RF
RMSE = rmse_rf,
MAPE = mape_rf,
MSE = mse_rf,
AIC = aic_rf
))6.3 PRODUCTO 3904152
# Crear una variable de tiempo continua basada en la fecha
datos_3904152 <- datos_3904152 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")),
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses
# Mostrar un resumen de los datos
summary(datos_3904152)## Venta Cant Costo_Venta Precio_Final_Unitario
## Min. : 2677 Min. : 1.000 Min. : 2250 Min. :2677
## 1st Qu.: 3108 1st Qu.: 1.000 1st Qu.: 2331 1st Qu.:3051
## Median : 3402 Median : 1.000 Median : 2472 Median :3108
## Mean : 7495 Mean : 2.413 Mean : 5724 Mean :3158
## 3rd Qu.: 7140 3rd Qu.: 2.000 3rd Qu.: 5194 3rd Qu.:3318
## Max. :169344 Max. :56.000 Max. :131032 Max. :3639
## Descuento_Porcentaje Trx_Fecha Fecha
## Min. :60.00 Min. :2023-01-02 00:00:00.00 Min. :2023-01-01
## 1st Qu.:64.43 1st Qu.:2023-07-12 00:00:00.00 1st Qu.:2023-07-01
## Median :65.90 Median :2024-01-16 00:00:00.00 Median :2024-01-01
## Mean :65.72 Mean :2024-01-06 20:44:30.42 Mean :2023-12-21
## 3rd Qu.:66.60 3rd Qu.:2024-06-28 00:00:00.00 3rd Qu.:2024-06-01
## Max. :70.43 Max. :2024-12-31 00:00:00.00 Max. :2024-12-01
## Tiempo
## Min. :0.000e+00
## 1st Qu.:6.983e-05
## Median :1.408e-04
## Mean :1.366e-04
## 3rd Qu.:1.995e-04
## Max. :2.701e-04# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3904152 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3904152 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3904152)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 912601.7
## % Var explained: 99.19# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3904152, newdata = datos_modelo)
# Calcular mƩtricas
# RĀ² (ya calculado por el modelo)
r2_rf <- 1 - sum((datos_modelo$Venta - predicciones_rf)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# AIC aproximado (usando fĆ³rmula general para AIC)
n <- nrow(datos_modelo)
k <- length(modelo_rf_3904152$forest$ncat) # NĆŗmero de variables
mse <- mean((datos_modelo$Venta - predicciones_rf)^2)
aic_rf <- n * log(mse) + 2 * k
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3904152\n")## Modelo Random Forest para producto 3904152cat("RĀ² del modelo Random Forest:", r2_rf, "\n")## RĀ² del modelo Random Forest: 0.9979317cat("AIC aproximado del modelo Random Forest:", aic_rf, "\n")## AIC aproximado del modelo Random Forest: 31606.14cat("RMSE del modelo Random Forest:", rmse_rf, "\n")## RMSE del modelo Random Forest: 483.3678cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.2195905cat("MSE del modelo Random Forest:", mse_rf, "\n\n")## MSE del modelo Random Forest: 233644.4# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3904152)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 27.857528 127827976697
## Costo_Venta 33.273998 150734822975
## Precio_Final_Unitario 3.859049 3595343640
## Descuento_Porcentaje 4.653136 5848187484
## Tiempo 2.155004 1653911972# Graficar importancia de variables
varImpPlot(modelo_rf_3904152, main = "Importancia de Variables - Producto 3904152")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3904152",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3904152",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3904152",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "Random Forest",
R2 = r2_rf, # Estas variables son las que se usan en tu cĆ³digo RF
RMSE = rmse_rf,
MAPE = mape_rf,
MSE = mse_rf,
AIC = aic_rf
))6.4 PRODUCTO 155002
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155002 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_155002 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_155002)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 975724.1
## % Var explained: 96.59# Obtener predicciones
predicciones_rf <- predict(modelo_rf_155002, newdata = datos_modelo)
# Calcular mƩtricas
# RĀ² (ya calculado por el modelo)
r2_rf <- 1 - sum((datos_modelo$Venta - predicciones_rf)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# AIC aproximado (usando fĆ³rmula general para AIC)
n <- nrow(datos_modelo)
k <- length(modelo_rf_155002$forest$ncat) # NĆŗmero de variables
mse <- mean((datos_modelo$Venta - predicciones_rf)^2)
aic_rf <- n * log(mse) + 2 * k
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 155002\n")## Modelo Random Forest para producto 155002cat("RĀ² del modelo Random Forest:", r2_rf, "\n")## RĀ² del modelo Random Forest: 0.9935974cat("AIC aproximado del modelo Random Forest:", aic_rf, "\n")## AIC aproximado del modelo Random Forest: 69721.02cat("RMSE del modelo Random Forest:", rmse_rf, "\n")## RMSE del modelo Random Forest: 428.2556cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.550092cat("MSE del modelo Random Forest:", mse_rf, "\n\n")## MSE del modelo Random Forest: 183402.8# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_155002)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 35.795786 81092951910
## Costo_Venta 31.078376 72643004789
## Precio_Final_Unitario 14.132964 3540837939
## Descuento_Porcentaje 6.103098 5382968927
## Tiempo 7.484308 1781157778# Graficar importancia de variables
varImpPlot(modelo_rf_155002, main = "Importancia de Variables - Producto 155002")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155002",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155002",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155002",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155002", # Cambia este ID para cada producto
Modelo = "Random Forest",
R2 = r2_rf, # Estas variables son las que se usan en tu cĆ³digo RF
RMSE = rmse_rf,
MAPE = mape_rf,
MSE = mse_rf,
AIC = aic_rf
))6.5 PRODUCTO 3678055
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3678055 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3678055 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3678055)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 839721.5
## % Var explained: 99.05# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3678055, newdata = datos_modelo)
# Calcular mƩtricas
# RĀ² (ya calculado por el modelo)
r2_rf <- 1 - sum((datos_modelo$Venta - predicciones_rf)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# AIC aproximado (usando fĆ³rmula general para AIC)
n <- nrow(datos_modelo)
k <- length(modelo_rf_3678055$forest$ncat) # NĆŗmero de variables
mse <- mean((datos_modelo$Venta - predicciones_rf)^2)
aic_rf <- n * log(mse) + 2 * k
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3678055\n")## Modelo Random Forest para producto 3678055cat("RĀ² del modelo Random Forest:", r2_rf, "\n")## RĀ² del modelo Random Forest: 0.9973914cat("AIC aproximado del modelo Random Forest:", aic_rf, "\n")## AIC aproximado del modelo Random Forest: 20510.54cat("RMSE del modelo Random Forest:", rmse_rf, "\n")## RMSE del modelo Random Forest: 480.5162cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.2172073cat("MSE del modelo Random Forest:", mse_rf, "\n\n")## MSE del modelo Random Forest: 230895.8# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3678055)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 27.985712 59615600800
## Costo_Venta 36.667397 81742000969
## Precio_Final_Unitario 6.416070 1542604712
## Descuento_Porcentaje 5.379649 1721440173
## Tiempo 4.174552 1044473588# Graficar importancia de variables
varImpPlot(modelo_rf_3678055, main = "Importancia de Variables - Producto 3678055")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3678055",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3678055",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3678055",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "Random Forest",
R2 = r2_rf, # Estas variables son las que se usan en tu cĆ³digo RF
RMSE = rmse_rf,
MAPE = mape_rf,
MSE = mse_rf,
AIC = aic_rf
))7 XGBOOST
7.1 PRODUCTO 155001
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155001 %>%
select(-Trx_Fecha, -Fecha)
# Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
indices_train <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
datos_train <- datos_modelo[indices_train, ]
datos_test <- datos_modelo[-indices_train, ]
# Separar variables predictoras y variable objetivo
X_train <- as.matrix(datos_train[, colnames(datos_train) != "Venta"])
y_train <- datos_train$Venta
X_test <- as.matrix(datos_test[, colnames(datos_test) != "Venta"])
y_test <- datos_test$Venta
# Crear matrices DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = X_train, label = y_train)
dtest <- xgb.DMatrix(data = X_test, label = y_test)
# Definir una rejilla completa de hiperparĆ”metros para bĆŗsqueda
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 5, 7, 9), # Profundidad mƔxima
subsample = c(0.6, 0.8, 1.0), # Submuestra de observaciones
colsample_bytree = c(0.6, 0.8, 1.0), # Submuestra de variables
min_child_weight = c(1, 3, 5), # Peso mĆnimo en nodos hijos
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar cuƔntas combinaciones tenemos
cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 1296# Para este ejemplo, vamos a limitar el nĆŗmero de combinaciones
# Seleccionando un subconjunto aleatorio de combinaciones (20 combinaciones)
set.seed(123)
if (nrow(param_grid) > 20) {
muestra_indices <- sample(1:nrow(param_grid), 20)
param_grid_reducida <- param_grid[muestra_indices, ]
} else {
param_grid_reducida <- param_grid
}
cat("NĆŗmero de combinaciones a evaluar:", nrow(param_grid_reducida), "\n")## NĆŗmero de combinaciones a evaluar: 20# FunciĆ³n para evaluar un conjunto de hiperparĆ”metros con validaciĆ³n cruzada
evaluate_params <- function(params_row) {
params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = params_row$eta,
max_depth = params_row$max_depth,
subsample = params_row$subsample,
colsample_bytree = params_row$colsample_bytree,
min_child_weight = params_row$min_child_weight,
gamma = params_row$gamma
)
# Realizar validaciĆ³n cruzada
cv_results <- xgb.cv(
params = params,
data = dtrain,
nrounds = 100,
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 10,
verbose = 0
)
# Extraer el mejor RMSE y el nĆŗmero Ć³ptimo de rondas
best_rmse <- min(cv_results$evaluation_log$test_rmse_mean)
best_nrounds <- which.min(cv_results$evaluation_log$test_rmse_mean)
return(list(rmse = best_rmse, nrounds = best_nrounds, params = params))
}
# Inicializar tabla para almacenar resultados
resultados_grid <- data.frame(
eta = numeric(nrow(param_grid_reducida)),
max_depth = numeric(nrow(param_grid_reducida)),
subsample = numeric(nrow(param_grid_reducida)),
colsample_bytree = numeric(nrow(param_grid_reducida)),
min_child_weight = numeric(nrow(param_grid_reducida)),
gamma = numeric(nrow(param_grid_reducida)),
nrounds = numeric(nrow(param_grid_reducida)),
rmse = numeric(nrow(param_grid_reducida))
)
# Realizar la bĆŗsqueda en cuadrĆcula (esto puede tardar varios minutos)
cat("Iniciando bĆŗsqueda en cuadrĆcula...\n")## Iniciando bĆŗsqueda en cuadrĆcula...for (i in 1:nrow(param_grid_reducida)) {
cat(sprintf("Evaluando combinaciĆ³n %d de %d\n", i, nrow(param_grid_reducida)))
# Obtener fila de parƔmetros actual
params_row <- param_grid_reducida[i, ]
# Evaluar combinaciĆ³n actual
result <- evaluate_params(params_row)
# Guardar resultados
resultados_grid$eta[i] <- params_row$eta
resultados_grid$max_depth[i] <- params_row$max_depth
resultados_grid$subsample[i] <- params_row$subsample
resultados_grid$colsample_bytree[i] <- params_row$colsample_bytree
resultados_grid$min_child_weight[i] <- params_row$min_child_weight
resultados_grid$gamma[i] <- params_row$gamma
resultados_grid$nrounds[i] <- result$nrounds
resultados_grid$rmse[i] <- result$rmse
}## Evaluando combinaciĆ³n 1 de 20
## Evaluando combinaciĆ³n 2 de 20
## Evaluando combinaciĆ³n 3 de 20
## Evaluando combinaciĆ³n 4 de 20
## Evaluando combinaciĆ³n 5 de 20
## Evaluando combinaciĆ³n 6 de 20
## Evaluando combinaciĆ³n 7 de 20
## Evaluando combinaciĆ³n 8 de 20
## Evaluando combinaciĆ³n 9 de 20
## Evaluando combinaciĆ³n 10 de 20
## Evaluando combinaciĆ³n 11 de 20
## Evaluando combinaciĆ³n 12 de 20
## Evaluando combinaciĆ³n 13 de 20
## Evaluando combinaciĆ³n 14 de 20
## Evaluando combinaciĆ³n 15 de 20
## Evaluando combinaciĆ³n 16 de 20
## Evaluando combinaciĆ³n 17 de 20
## Evaluando combinaciĆ³n 18 de 20
## Evaluando combinaciĆ³n 19 de 20
## Evaluando combinaciĆ³n 20 de 20# Ordenar resultados por RMSE (de menor a mayor)
resultados_grid <- resultados_grid[order(resultados_grid$rmse), ]
# Mostrar los 5 mejores conjuntos de hiperparƔmetros
cat("\nLos 5 mejores conjuntos de hiperparƔmetros:\n")##
## Los 5 mejores conjuntos de hiperparƔmetros:print(head(resultados_grid, 5))## eta max_depth subsample colsample_bytree min_child_weight gamma nrounds
## 4 0.05 9 1.0 0.8 1 0.1 100
## 2 0.10 9 0.8 0.6 1 0.1 100
## 3 0.10 3 1.0 0.6 3 0.0 95
## 6 0.05 7 0.8 0.8 1 0.3 100
## 7 0.05 5 1.0 1.0 3 0.3 100
## rmse
## 4 885.4099
## 2 894.0994
## 3 961.1106
## 6 978.7279
## 7 996.1521# Obtener los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados_grid$eta[1],
max_depth = resultados_grid$max_depth[1],
subsample = resultados_grid$subsample[1],
colsample_bytree = resultados_grid$colsample_bytree[1],
min_child_weight = resultados_grid$min_child_weight[1],
gamma = resultados_grid$gamma[1]
)
mejor_nrounds <- resultados_grid$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 9
##
## $subsample
## [1] 1
##
## $colsample_bytree
## [1] 0.8
##
## $min_child_weight
## [1] 1
##
## $gamma
## [1] 0.1cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n")## NĆŗmero Ć³ptimo de rondas: 100cat("RMSE en validaciĆ³n cruzada:", resultados_grid$rmse[1], "\n\n")## RMSE en validaciĆ³n cruzada: 885.4099# Entrenar el modelo final con los mejores hiperparĆ”metros
modelo_xgb_155001 <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
# Hacer predicciones en el conjunto de prueba
predicciones_test <- predict(modelo_xgb_155001, dtest)
# Calcular mƩtricas en el conjunto de prueba
# RĀ²
r2_test <- 1 - sum((y_test - predicciones_test)^2) / sum((y_test - mean(y_test))^2)
# RMSE
rmse_test <- sqrt(mean((y_test - predicciones_test)^2))
# MAPE
mape_test <- mean(abs((y_test - predicciones_test) / pmax(y_test, 0.01))) * 100
# MSE
mse_test <- mean((y_test - predicciones_test)^2)
# AIC aproximado
n <- length(y_test)
k <- length(mejores_params) + 1 # +1 por el nĆŗmero de rondas
aic_test <- n * log(mse_test) + 2 * k
# Mostrar las mƩtricas en el conjunto de prueba
cat("MĆ©tricas en el conjunto de prueba:\n")## MĆ©tricas en el conjunto de prueba:cat("RĀ² del modelo XGBoost:", r2_test, "\n")## RĀ² del modelo XGBoost: 0.9886597cat("AIC aproximado del modelo XGBoost:", aic_test, "\n")## AIC aproximado del modelo XGBoost: 21646.78cat("RMSE del modelo XGBoost:", rmse_test, "\n")## RMSE del modelo XGBoost: 555.8552cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 1.460781cat("MSE del modelo XGBoost:", mse_test, "\n\n")## MSE del modelo XGBoost: 308975# Ahora hacer predicciones en el conjunto completo para comparabilidad con otros modelos
X_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completas <- predict(modelo_xgb_155001, X_completo)
# Calcular mƩtricas en el conjunto completo
# RĀ²
r2_completo <- 1 - sum((datos_modelo$Venta - predicciones_completas)^2) / sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
# RMSE
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completas)^2))
# MAPE
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completas) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
mse_completo <- mean((datos_modelo$Venta - predicciones_completas)^2)
# AIC aproximado
n <- nrow(datos_modelo)
aic_completo <- n * log(mse_completo) + 2 * k
# Mostrar las mƩtricas en el conjunto completo
cat("MĆ©tricas en el conjunto completo:\n")## MĆ©tricas en el conjunto completo:cat("RĀ² del modelo XGBoost:", r2_completo, "\n")## RĀ² del modelo XGBoost: 0.9977159cat("AIC aproximado del modelo XGBoost:", aic_completo, "\n")## AIC aproximado del modelo XGBoost: 98877.11cat("RMSE del modelo XGBoost:", rmse_completo, "\n")## RMSE del modelo XGBoost: 322.1945cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 1.099712cat("MSE del modelo XGBoost:", mse_completo, "\n\n")## MSE del modelo XGBoost: 103809.3# Importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_xgb_155001
)
print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Costo_Venta 0.6024075757 0.36205133 0.26368635
## 2: Cant 0.3935043144 0.31805813 0.21109252
## 3: Precio_Final_Unitario 0.0034464656 0.23581258 0.31926847
## 4: Descuento_Porcentaje 0.0004900942 0.05944982 0.11403299
## 5: Tiempo 0.0001515501 0.02462814 0.09191967# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 155001 (XGBoost)")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completas
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155001 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155001 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_completas, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155001 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "XGBoost",
R2 = r2_completo, # Usamos las mƩtricas del conjunto completo
RMSE = rmse_completo,
MAPE = mape_completo,
MSE = mse_completo,
AIC = aic_completo
))7.2 PRODUCTO 3929788
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3929788 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 3929788\n")## Grid Search para XGBoost - Producto 3929788cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 582.1593
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 118.5624
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 170.2107
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 44
## RMSE en validaciĆ³n cruzada: 133.5118
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 123.7198
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 572.307
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 155.1739
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 137.9191
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 111.4454
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 158.1116
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 117.3367
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 148.92# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 9 0.05 6 3 0.7 0.9 0.3 200
## 11 0.05 6 3 0.7 0.9 0.0 200
## 2 0.10 9 3 0.9 0.9 0.3 200
## 5 0.10 6 5 0.9 0.9 0.1 200
## 4 0.30 9 5 0.7 0.9 0.1 44
## 8 0.10 3 3 0.7 0.7 0.1 200
## 12 0.10 3 3 0.9 0.7 0.3 200
## 7 0.05 3 5 0.9 0.7 0.1 200
## 10 0.10 9 1 0.9 0.7 0.3 200
## 3 0.05 3 1 0.9 0.7 0.0 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## 1 0.01 9 3 0.7 0.9 0.1 200
## rmse_cv
## 9 111.4454
## 11 117.3367
## 2 118.5624
## 5 123.7198
## 4 133.5118
## 8 137.9191
## 12 148.9200
## 7 155.1739
## 10 158.1116
## 3 170.2107
## 6 572.3070
## 1 582.1593# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3929788",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 6
##
## $min_child_weight
## [1] 3
##
## $subsample
## [1] 0.7
##
## $colsample_bytree
## [1] 0.9
##
## $gamma
## [1] 0.3cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
# GUARDAR EL MODELO CON NOMBRE ESPERADO
modelo_xgb_3929788 <- modelo_final
# Paso 8: Evaluar el modelo
# Predicciones en conjunto de prueba
predicciones_test <- predict(modelo_final, dtest)
# Calcular mƩtricas
# RĀ²
r2_test <- 1 - sum((test_y - predicciones_test)^2) / sum((test_y - mean(test_y))^2)
# RMSE
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# MAPE
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
# MSE
mse_test <- mean((test_y - predicciones_test)^2)
# AIC aproximado
n_test <- length(test_y)
k <- length(mejores_params) + 1 # +1 por nĆŗmero de iteraciones
aic_test <- n_test * log(mse_test) + 2 * k
# Mostrar mƩtricas en conjunto de prueba
cat("\nMĆ©tricas en conjunto de prueba:\n")##
## MĆ©tricas en conjunto de prueba:cat("RĀ² del modelo XGBoost:", r2_test, "\n")## RĀ² del modelo XGBoost: 0.9992508cat("AIC aproximado del modelo XGBoost:", aic_test, "\n")## AIC aproximado del modelo XGBoost: 23064.01cat("RMSE del modelo XGBoost:", rmse_test, "\n")## RMSE del modelo XGBoost: 66.8471cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 2.397552cat("MSE del modelo XGBoost:", mse_test, "\n\n")## MSE del modelo XGBoost: 4468.535# Paso 9: Predicciones en el conjunto completo
# Hacer predicciones en todo el conjunto de datos para comparaciĆ³n con otros modelos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
# Calcular mƩtricas en conjunto completo
r2_completo <- 1 - sum((datos_modelo$Venta - predicciones_completo)^2) /
sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) /
pmax(datos_modelo$Venta, 0.01))) * 100
mse_completo <- mean((datos_modelo$Venta - predicciones_completo)^2)
n_completo <- nrow(datos_modelo)
aic_completo <- n_completo * log(mse_completo) + 2 * k
# Mostrar mƩtricas en conjunto completo
cat("MĆ©tricas en conjunto completo:\n")## MĆ©tricas en conjunto completo:cat("RĀ² del modelo XGBoost:", r2_completo, "\n")## RĀ² del modelo XGBoost: 0.9997492cat("AIC aproximado del modelo XGBoost:", aic_completo, "\n")## AIC aproximado del modelo XGBoost: 106636.8cat("RMSE del modelo XGBoost:", rmse_completo, "\n")## RMSE del modelo XGBoost: 48.73383cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 2.320439cat("MSE del modelo XGBoost:", mse_completo, "\n\n")## MSE del modelo XGBoost: 2374.986# Paso 10: AnĆ”lisis de importancia de variables
# Calcular importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
# Mostrar importancia de variables
cat("Importancia de variables:\n")## Importancia de variables:print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Costo_Venta 6.879414e-01 0.379835107 0.30601660
## 2: Cant 3.092763e-01 0.348868818 0.23838174
## 3: Precio_Final_Unitario 1.889956e-03 0.158134574 0.21058091
## 4: Descuento_Porcentaje 7.966024e-04 0.108656527 0.16680498
## 5: Tiempo 9.574946e-05 0.004504973 0.07821577# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 3929788 (XGBoost)")
# Paso 11: Visualizaciones para evaluaciĆ³n
# GrƔfico 1: Valores observados vs predichos
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completo
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3929788 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3929788 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3929788 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "XGBoost",
R2 = r2_completo, # Usamos las mƩtricas del conjunto completo
RMSE = rmse_completo,
MAPE = mape_completo,
MSE = mse_completo,
AIC = aic_completo
))7.3 PRODUCTO 3904152
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3904152 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 3904152\n")## Grid Search para XGBoost - Producto 3904152cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 2600.543
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 94
## RMSE en validaciĆ³n cruzada: 755.4539
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 713.1244
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 51
## RMSE en validaciĆ³n cruzada: 1264.852
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 80
## RMSE en validaciĆ³n cruzada: 1131.861
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 3122.179
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 196
## RMSE en validaciĆ³n cruzada: 1533.801
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 165
## RMSE en validaciĆ³n cruzada: 1176.676
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 172
## RMSE en validaciĆ³n cruzada: 955.5953
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 719.8701
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 193
## RMSE en validaciĆ³n cruzada: 766.8847
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 124
## RMSE en validaciĆ³n cruzada: 790.5288# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 3 0.05 3 1 0.9 0.7 0.0 200
## 10 0.10 9 1 0.9 0.7 0.3 200
## 2 0.10 9 3 0.9 0.9 0.3 94
## 11 0.05 6 3 0.7 0.9 0.0 193
## 12 0.10 3 3 0.9 0.7 0.3 124
## 9 0.05 6 3 0.7 0.9 0.3 172
## 5 0.10 6 5 0.9 0.9 0.1 80
## 8 0.10 3 3 0.7 0.7 0.1 165
## 4 0.30 9 5 0.7 0.9 0.1 51
## 7 0.05 3 5 0.9 0.7 0.1 196
## 1 0.01 9 3 0.7 0.9 0.1 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## rmse_cv
## 3 713.1244
## 10 719.8701
## 2 755.4539
## 11 766.8847
## 12 790.5288
## 9 955.5953
## 5 1131.8614
## 8 1176.6762
## 4 1264.8522
## 7 1533.8006
## 1 2600.5432
## 6 3122.1785# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3904152",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 3
##
## $min_child_weight
## [1] 1
##
## $subsample
## [1] 0.9
##
## $colsample_bytree
## [1] 0.7
##
## $gamma
## [1] 0cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_3904152 <- modelo_final
# Paso 8: Evaluar el modelo
# Predicciones en conjunto de prueba
predicciones_test <- predict(modelo_final, dtest)
# Calcular mƩtricas
# RĀ²
r2_test <- 1 - sum((test_y - predicciones_test)^2) / sum((test_y - mean(test_y))^2)
# RMSE
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# MAPE
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
# MSE
mse_test <- mean((test_y - predicciones_test)^2)
# AIC aproximado
n_test <- length(test_y)
k <- length(mejores_params) + 1 # +1 por nĆŗmero de iteraciones
aic_test <- n_test * log(mse_test) + 2 * k
# Mostrar mƩtricas en conjunto de prueba
cat("\nMĆ©tricas en conjunto de prueba:\n")##
## MĆ©tricas en conjunto de prueba:cat("RĀ² del modelo XGBoost:", r2_test, "\n")## RĀ² del modelo XGBoost: 0.9983645cat("AIC aproximado del modelo XGBoost:", aic_test, "\n")## AIC aproximado del modelo XGBoost: 6277.37cat("RMSE del modelo XGBoost:", rmse_test, "\n")## RMSE del modelo XGBoost: 462.4955cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 1.898915cat("MSE del modelo XGBoost:", mse_test, "\n\n")## MSE del modelo XGBoost: 213902.1# Paso 9: Predicciones en el conjunto completo
# Hacer predicciones en todo el conjunto de datos para comparaciĆ³n con otros modelos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
# Calcular mƩtricas en conjunto completo
r2_completo <- 1 - sum((datos_modelo$Venta - predicciones_completo)^2) /
sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) /
pmax(datos_modelo$Venta, 0.01))) * 100
mse_completo <- mean((datos_modelo$Venta - predicciones_completo)^2)
n_completo <- nrow(datos_modelo)
aic_completo <- n_completo * log(mse_completo) + 2 * k
# Mostrar mƩtricas en conjunto completo
cat("MĆ©tricas en conjunto completo:\n")## MĆ©tricas en conjunto completo:cat("RĀ² del modelo XGBoost:", r2_completo, "\n")## RĀ² del modelo XGBoost: 0.999305cat("AIC aproximado del modelo XGBoost:", aic_completo, "\n")## AIC aproximado del modelo XGBoost: 28826.71cat("RMSE del modelo XGBoost:", rmse_completo, "\n")## RMSE del modelo XGBoost: 280.2006cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 1.70523cat("MSE del modelo XGBoost:", mse_completo, "\n\n")## MSE del modelo XGBoost: 78512.4# Paso 10: AnĆ”lisis de importancia de variables
# Calcular importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
# Mostrar importancia de variables
cat("Importancia de variables:\n")## Importancia de variables:print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Cant 0.583969652 0.34587937 0.32933579
## 2: Costo_Venta 0.396423232 0.33601261 0.29059041
## 3: Precio_Final_Unitario 0.011807682 0.11761283 0.15498155
## 4: Descuento_Porcentaje 0.006789784 0.13345140 0.14022140
## 5: Tiempo 0.001009650 0.06704379 0.08487085# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 3904152 (XGBoost)")
# Paso 11: Visualizaciones para evaluaciĆ³n
# GrƔfico 1: Valores observados vs predichos
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completo
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3904152 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3904152 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3904152 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "XGBoost",
R2 = r2_completo, # Usamos las mƩtricas del conjunto completo
RMSE = rmse_completo,
MAPE = mape_completo,
MSE = mse_completo,
AIC = aic_completo
))7.4 PRODUCTO 155002
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155002 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 155002\n")## Grid Search para XGBoost - Producto 155002cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 1374.842
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 40
## RMSE en validaciĆ³n cruzada: 971.5163
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 867.7989
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 15
## RMSE en validaciĆ³n cruzada: 994.0331
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 45
## RMSE en validaciĆ³n cruzada: 980.8653
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 1368.716
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 958.9118
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 159
## RMSE en validaciĆ³n cruzada: 916.4004
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 121
## RMSE en validaciĆ³n cruzada: 1021.42
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 932.0638
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 876.858
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 116
## RMSE en validaciĆ³n cruzada: 955.6755# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 3 0.05 3 1 0.9 0.7 0.0 200
## 11 0.05 6 3 0.7 0.9 0.0 200
## 8 0.10 3 3 0.7 0.7 0.1 159
## 10 0.10 9 1 0.9 0.7 0.3 200
## 12 0.10 3 3 0.9 0.7 0.3 116
## 7 0.05 3 5 0.9 0.7 0.1 200
## 2 0.10 9 3 0.9 0.9 0.3 40
## 5 0.10 6 5 0.9 0.9 0.1 45
## 4 0.30 9 5 0.7 0.9 0.1 15
## 9 0.05 6 3 0.7 0.9 0.3 121
## 6 0.01 6 5 0.9 0.9 0.1 200
## 1 0.01 9 3 0.7 0.9 0.1 200
## rmse_cv
## 3 867.7989
## 11 876.8580
## 8 916.4004
## 10 932.0638
## 12 955.6755
## 7 958.9118
## 2 971.5163
## 5 980.8653
## 4 994.0331
## 9 1021.4196
## 6 1368.7160
## 1 1374.8418# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 155002",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 3
##
## $min_child_weight
## [1] 1
##
## $subsample
## [1] 0.9
##
## $colsample_bytree
## [1] 0.7
##
## $gamma
## [1] 0cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_155002 <- modelo_final
# Paso 8: Evaluar el modelo
# Predicciones en conjunto de prueba
predicciones_test <- predict(modelo_final, dtest)
# Calcular mƩtricas
# RĀ²
r2_test <- 1 - sum((test_y - predicciones_test)^2) / sum((test_y - mean(test_y))^2)
# RMSE
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# MAPE
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
# MSE
mse_test <- mean((test_y - predicciones_test)^2)
# AIC aproximado
n_test <- length(test_y)
k <- length(mejores_params) + 1 # +1 por nĆŗmero de iteraciones
aic_test <- n_test * log(mse_test) + 2 * k
# Mostrar mƩtricas en conjunto de prueba
cat("\nMĆ©tricas en conjunto de prueba:\n")##
## MĆ©tricas en conjunto de prueba:cat("RĀ² del modelo XGBoost:", r2_test, "\n")## RĀ² del modelo XGBoost: 0.9795533cat("AIC aproximado del modelo XGBoost:", aic_test, "\n")## AIC aproximado del modelo XGBoost: 15259.28cat("RMSE del modelo XGBoost:", rmse_test, "\n")## RMSE del modelo XGBoost: 763.7103cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 7.240866cat("MSE del modelo XGBoost:", mse_test, "\n\n")## MSE del modelo XGBoost: 583253.4# Paso 9: Predicciones en el conjunto completo
# Hacer predicciones en todo el conjunto de datos para comparaciĆ³n con otros modelos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
# Calcular mƩtricas en conjunto completo
r2_completo <- 1 - sum((datos_modelo$Venta - predicciones_completo)^2) /
sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) /
pmax(datos_modelo$Venta, 0.01))) * 100
mse_completo <- mean((datos_modelo$Venta - predicciones_completo)^2)
n_completo <- nrow(datos_modelo)
aic_completo <- n_completo * log(mse_completo) + 2 * k
# Mostrar mƩtricas en conjunto completo
cat("MĆ©tricas en conjunto completo:\n")## MĆ©tricas en conjunto completo:cat("RĀ² del modelo XGBoost:", r2_completo, "\n")## RĀ² del modelo XGBoost: 0.9935824cat("AIC aproximado del modelo XGBoost:", aic_completo, "\n")## AIC aproximado del modelo XGBoost: 69742.46cat("RMSE del modelo XGBoost:", rmse_completo, "\n")## RMSE del modelo XGBoost: 428.7561cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 7.033567cat("MSE del modelo XGBoost:", mse_completo, "\n\n")## MSE del modelo XGBoost: 183831.8# Paso 10: AnĆ”lisis de importancia de variables
# Calcular importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
# Mostrar importancia de variables
cat("Importancia de variables:\n")## Importancia de variables:print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Cant 0.557384451 0.40946988 0.35258621
## 2: Costo_Venta 0.403565071 0.25647279 0.24310345
## 3: Precio_Final_Unitario 0.021156515 0.15789577 0.18965517
## 4: Descuento_Porcentaje 0.014753997 0.13444452 0.14482759
## 5: Tiempo 0.003139967 0.04171705 0.06982759# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 155002 (XGBoost)")
# Paso 11: Visualizaciones para evaluaciĆ³n
# GrƔfico 1: Valores observados vs predichos
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completo
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155002 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155002 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155002 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155002", # Cambia este ID para cada producto
Modelo = "XGBoost",
R2 = r2_completo, # Usamos las mƩtricas del conjunto completo
RMSE = rmse_completo,
MAPE = mape_completo,
MSE = mse_completo,
AIC = aic_completo
))7.5 PRODUCTO 3678055
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3678055 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3),
max_depth = c(3, 6, 9),
min_child_weight = c(1, 3, 5),
subsample = c(0.7, 0.9),
colsample_bytree = c(0.7, 0.9),
gamma = c(0, 0.1, 0.3)
)
cat("Grid Search para XGBoost - Producto 3678055\n")## Grid Search para XGBoost - Producto 3678055cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# SelecciĆ³n aleatoria de 12 combinaciones (si se desea limitar)
set.seed(456)
if (nrow(param_grid) > 12) {
param_grid <- param_grid[sample(1:nrow(param_grid), 12), ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), "...\n")
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200,
nfold = 5,
early_stopping_rounds = 20,
verbose = 0
)
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 ...
## Evaluando combinaciĆ³n 2 de 12 ...
## Evaluando combinaciĆ³n 3 de 12 ...
## Evaluando combinaciĆ³n 4 de 12 ...
## Evaluando combinaciĆ³n 5 de 12 ...
## Evaluando combinaciĆ³n 6 de 12 ...
## Evaluando combinaciĆ³n 7 de 12 ...
## Evaluando combinaciĆ³n 8 de 12 ...
## Evaluando combinaciĆ³n 9 de 12 ...
## Evaluando combinaciĆ³n 10 de 12 ...
## Evaluando combinaciĆ³n 11 de 12 ...
## Evaluando combinaciĆ³n 12 de 12 ...resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados
print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 2 0.10 9 3 0.9 0.9 0.3 64
## 3 0.05 3 1 0.9 0.7 0.0 200
## 10 0.10 9 1 0.9 0.7 0.3 200
## 8 0.10 3 3 0.7 0.7 0.1 100
## 9 0.05 6 3 0.7 0.9 0.3 176
## 11 0.05 6 3 0.7 0.9 0.0 120
## 12 0.10 3 3 0.9 0.7 0.3 199
## 5 0.10 6 5 0.9 0.9 0.1 52
## 7 0.05 3 5 0.9 0.7 0.1 147
## 4 0.30 9 5 0.7 0.9 0.1 32
## 1 0.01 9 3 0.7 0.9 0.1 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## rmse_cv
## 2 646.8068
## 3 661.7726
## 10 664.3754
## 8 674.4297
## 9 685.7602
## 11 692.0617
## 12 694.4776
## 5 949.4118
## 7 974.9420
## 4 1059.0507
## 1 2439.7500
## 6 2471.2850# VisualizaciĆ³n
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3678055",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
# Paso 7: Entrenar modelo final
modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_3678055 <- modelo_final
# Paso 8: Evaluar modelo
predicciones_test <- predict(modelo_final, dtest)
r2_test <- 1 - sum((test_y - predicciones_test)^2) / sum((test_y - mean(test_y))^2)
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
mse_test <- mean((test_y - predicciones_test)^2)
aic_test <- length(test_y) * log(mse_test) + 2 * (length(mejores_params) + 1)
# Paso 9: PredicciĆ³n en todo el conjunto
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
r2_completo <- 1 - sum((datos_modelo$Venta - predicciones_completo)^2) /
sum((datos_modelo$Venta - mean(datos_modelo$Venta))^2)
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) / pmax(datos_modelo$Venta, 0.01))) * 100
mse_completo <- mean((datos_modelo$Venta - predicciones_completo)^2)
aic_completo <- nrow(datos_modelo) * log(mse_completo) + 2 * (length(mejores_params) + 1)
# Paso 10: Importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
xgb.plot.importance(importancia,
main = "Importancia de Variables - Producto 3678055 (XGBoost)")
# Paso 11: GrĆ”ficos de evaluaciĆ³n
datos_grafico <- data.frame(Observado = datos_modelo$Venta, Predicho = predicciones_completo)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = "red") +
labs(title = "Observado vs Predicho - Producto 3678055", x = "Venta Observada", y = "Venta Predicha") +
theme_minimal()
errores <- datos_modelo$Venta - predicciones_completo
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3678055 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue", breaks = 30)
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(title = "Errores vs PredicciĆ³n - Producto 3678055", x = "Venta Predicha", y = "Error") +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
R2 = numeric(),
RMSE = numeric(),
MAPE = numeric(),
MSE = numeric(),
AIC = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "XGBoost",
R2 = r2_completo, # Usamos las mƩtricas del conjunto completo
RMSE = rmse_completo,
MAPE = mape_completo,
MSE = mse_completo,
AIC = aic_completo
))8 VisualizaciĆ³n de MĆ©tricas
# Definir los colores para cada modelo
colores_modelos <- c(
"ARMA/SARIMA" = "#1f77b4", # Azul
"RegresiĆ³n Lineal" = "#ff7f0e", # Naranja
"Random Forest" = "#2ca02c", # Verde
"XGBoost" = "#d62728" # Rojo
)8.1 PRODUCTO 155001
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 155001:")## [1] "Datos actuales para el producto 155001:"print(metricas_comparativas %>% filter(Producto == "155001"))## Producto Modelo R2 RMSE MAPE MSE
## 1 155001 ARMA 0.2852104 224023.2444 17.6816429 5.018641e+10
## 2 155001 RegresiĆ³n Lineal 0.9878651 742.6409 14.4966756 5.515156e+05
## 3 155001 Random Forest 0.9914789 622.3116 0.4085599 3.872717e+05
## 4 155001 XGBoost 0.9977159 322.1945 1.0997118 1.038093e+05
## AIC
## 1 668.1788
## 2 137457.0104
## 3 110137.6423
## 4 98877.1104# Crear un dataframe manualmente con los 4 modelos para el producto 155001
# (con valores de ejemplo si es necesario)
datos_155001_completo <- data.frame(
Producto = rep("155001", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_155001_completo <- left_join(
datos_155001_completo,
metricas_comparativas %>% filter(Producto == "155001"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Si tienes los valores, reemplaza los 0 con los valores correctos
# O toma nota de cuƔles son NA para reemplazarlos con los valores reales
# Valores para RegresiĆ³n Lineal (reemplaza estos con los valores reales)
if (is.na(datos_155001_completo$MAPE[2])) {
datos_155001_completo$MAPE[2] <- mape_155001 # O el valor correcto
}
if (is.na(datos_155001_completo$MSE[2])) {
datos_155001_completo$MSE[2] <- mse_155001 # O el valor correcto
}
# Valores para Random Forest (reemplaza estos con los valores reales)
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 155001,
# usa las variables r2_rf, rmse_rf, etc.
if (is.na(datos_155001_completo$MAPE[3]) && exists("mape_rf")) {
datos_155001_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_155001_completo$MSE[3]) && exists("mse_rf")) {
datos_155001_completo$MSE[3] <- mse_rf
}
# Valores para XGBoost (reemplaza estos con los valores reales)
# Si ya ejecutaste la secciĆ³n de XGBoost para el producto 155001,
# usa las variables r2_completo, rmse_completo, etc.
if (is.na(datos_155001_completo$MAPE[4]) && exists("mape_completo")) {
datos_155001_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_155001_completo$MSE[4]) && exists("mse_completo")) {
datos_155001_completo$MSE[4] <- mse_completo
}
# Ver los datos completos
print("Datos completos para el producto 155001:")## [1] "Datos completos para el producto 155001:"print(datos_155001_completo)## Producto Modelo R2 RMSE MAPE MSE AIC
## 1 155001 ARMA/SARIMA NA NA NA NA NA
## 2 155001 RegresiĆ³n Lineal 0.9878651 742.6409 14.4966756 551515.6 137457.01
## 3 155001 Random Forest 0.9914789 622.3116 0.4085599 387271.7 110137.64
## 4 155001 XGBoost 0.9977159 322.1945 1.0997118 103809.3 98877.11# GrƔfico para MAPE
ggplot(datos_155001_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155001",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) ## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MSE
ggplot(datos_155001_completo, aes(x = Modelo, y = MSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155001",
subtitle = "MĆ©trica: MSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155001_completo$MSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.2 PRODUCTO 3929788
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3929788:")## [1] "Datos actuales para el producto 3929788:"print(metricas_comparativas %>% filter(Producto == "3929788"))## Producto Modelo R2 RMSE MAPE MSE
## 1 3929788 ARMA 0.2103968 145273.95732 12.8370507 2.110452e+10
## 2 3929788 RegresiĆ³n Lineal 0.9949412 218.86553 22.3767801 4.790212e+04
## 3 3929788 Random Forest 0.9995711 63.72883 0.4490773 4.061364e+03
## 4 3929788 XGBoost 0.9997492 48.73383 2.3204394 2.374986e+03
## AIC
## 1 619.9223
## 2 186768.1037
## 3 113988.3121
## 4 106636.7690# Crear un dataframe manualmente con los 4 modelos para el producto 3929788
datos_3929788_completo <- data.frame(
Producto = rep("3929788", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3929788_completo <- left_join(
datos_3929788_completo,
metricas_comparativas %>% filter(Producto == "3929788"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3929788_completo$MAPE[2])) {
datos_3929788_completo$MAPE[2] <- mape_3929788
}
if (is.na(datos_3929788_completo$MSE[2])) {
datos_3929788_completo$MSE[2] <- mse_3929788
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 3929788
if (is.na(datos_3929788_completo$MAPE[3]) && exists("mape_rf")) {
datos_3929788_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3929788_completo$MSE[3]) && exists("mse_rf")) {
datos_3929788_completo$MSE[3] <- mse_rf
}
# Valores para XGBoost
if (is.na(datos_3929788_completo$MAPE[4]) && exists("mape_completo")) {
datos_3929788_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3929788_completo$MSE[4]) && exists("mse_completo")) {
datos_3929788_completo$MSE[4] <- mse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3929788:")## [1] "Datos completos para el producto 3929788:"print(datos_3929788_completo)## Producto Modelo R2 RMSE MAPE MSE AIC
## 1 3929788 ARMA/SARIMA NA NA NA NA NA
## 2 3929788 RegresiĆ³n Lineal 0.9949412 218.86553 22.3767801 47902.121 186768.1
## 3 3929788 Random Forest 0.9995711 63.72883 0.4490773 4061.364 113988.3
## 4 3929788 XGBoost 0.9997492 48.73383 2.3204394 2374.986 106636.8# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_3929788_completo, aes(x = Modelo, y = MSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3929788",
subtitle = "MĆ©trica: MSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3929788_completo$MSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3929788_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3929788",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3929788_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.3 PRODUCTO 3904152
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3904152:")## [1] "Datos actuales para el producto 3904152:"print(metricas_comparativas %>% filter(Producto == "3904152"))## Producto Modelo R2 RMSE MAPE MSE
## 1 3904152 ARMA 0.0000000 156981.1976 15.3567919 2.464310e+10
## 2 3904152 RegresiĆ³n Lineal 0.9987452 376.4854 3.3434409 1.417412e+05
## 3 3904152 Random Forest 0.9979317 483.3678 0.2195905 2.336444e+05
## 4 3904152 XGBoost 0.9993050 280.2006 1.7052297 7.851240e+04
## AIC
## 1 646.3754
## 2 37586.2684
## 3 31606.1364
## 4 28826.7063# Crear un dataframe manualmente con los 4 modelos para el producto 3904152
datos_3904152_completo <- data.frame(
Producto = rep("3904152", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3904152_completo <- left_join(
datos_3904152_completo,
metricas_comparativas %>% filter(Producto == "3904152"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3904152_completo$MAPE[2])) {
datos_3904152_completo$MAPE[2] <- mape_3904152
}
if (is.na(datos_3904152_completo$MSE[2])) {
datos_3904152_completo$MSE[2] <- mse_3904152
}
# Valores para Random Forest
if (is.na(datos_3904152_completo$MAPE[3]) && exists("mape_rf")) {
datos_3904152_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3904152_completo$MSE[3]) && exists("mse_rf")) {
datos_3904152_completo$MSE[3] <- mse_rf
}
# Valores para XGBoost
if (is.na(datos_3904152_completo$MAPE[4]) && exists("mape_completo")) {
datos_3904152_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3904152_completo$MSE[4]) && exists("mse_completo")) {
datos_3904152_completo$MSE[4] <- mse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3904152:")## [1] "Datos completos para el producto 3904152:"print(datos_3904152_completo)## Producto Modelo R2 RMSE MAPE MSE AIC
## 1 3904152 ARMA/SARIMA NA NA NA NA NA
## 2 3904152 RegresiĆ³n Lineal 0.9987452 376.4854 3.3434409 141741.2 37586.27
## 3 3904152 Random Forest 0.9979317 483.3678 0.2195905 233644.4 31606.14
## 4 3904152 XGBoost 0.9993050 280.2006 1.7052297 78512.4 28826.71# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_3904152_completo, aes(x = Modelo, y = MSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3904152",
subtitle = "MĆ©trica: MSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3904152_completo$MSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3904152_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3904152",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3904152_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.4 PRODUCTO 155002
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 155002:")## [1] "Datos actuales para el producto 155002:"print(metricas_comparativas %>% filter(Producto == "155002"))## Producto Modelo R2 RMSE MAPE MSE
## 1 155002 ARMA 0.2422527 192121.8307 25.833028 3.691080e+10
## 2 155002 RegresiĆ³n Lineal 0.9723332 890.2337 19.918004 7.925161e+05
## 3 155002 Random Forest 0.9935974 428.2556 0.550092 1.834028e+05
## 4 155002 XGBoost 0.9935824 428.7561 7.033567 1.838318e+05
## AIC
## 1 660.8983
## 2 94466.7012
## 3 69721.0210
## 4 69742.4579# Crear un dataframe manualmente con los 4 modelos para el producto 155002
datos_155002_completo <- data.frame(
Producto = rep("155002", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_155002_completo <- left_join(
datos_155002_completo,
metricas_comparativas %>% filter(Producto == "155002"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_155002_completo$MAPE[2])) {
datos_155002_completo$MAPE[2] <- mape_155002
}
if (is.na(datos_155002_completo$MSE[2])) {
datos_155002_completo$MSE[2] <- mse_155002
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 155002
if (is.na(datos_155002_completo$MAPE[3]) && exists("mape_rf")) {
datos_155002_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_155002_completo$MSE[3]) && exists("mse_rf")) {
datos_155002_completo$MSE[3] <- mse_rf
}
# Valores para XGBoost
if (is.na(datos_155002_completo$MAPE[4]) && exists("mape_completo")) {
datos_155002_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_155002_completo$MSE[4]) && exists("mse_completo")) {
datos_155002_completo$MSE[4] <- mse_completo
}
# Ver los datos completos
print("Datos completos para el producto 155002:")## [1] "Datos completos para el producto 155002:"print(datos_155002_completo)## Producto Modelo R2 RMSE MAPE MSE AIC
## 1 155002 ARMA/SARIMA NA NA NA NA NA
## 2 155002 RegresiĆ³n Lineal 0.9723332 890.2337 19.918004 792516.1 94466.70
## 3 155002 Random Forest 0.9935974 428.2556 0.550092 183402.8 69721.02
## 4 155002 XGBoost 0.9935824 428.7561 7.033567 183831.8 69742.46# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_155002_completo, aes(x = Modelo, y = MSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155002",
subtitle = "MĆ©trica: MSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155002_completo$MSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_155002_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155002",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155002_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.5 PRODUCTO 3678055
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3678055:")## [1] "Datos actuales para el producto 3678055:"print(metricas_comparativas %>% filter(Producto == "3678055"))## Producto Modelo R2 RMSE MAPE MSE
## 1 3678055 ARMA 0.0000000 177040.4724 22.7377450 3.134333e+10
## 2 3678055 RegresiĆ³n Lineal 0.9976025 460.6574 2.9008020 2.122053e+05
## 3 3678055 Random Forest 0.9973914 480.5162 0.2172073 2.308958e+05
## 4 3678055 XGBoost 0.9972154 496.4597 0.2564149 2.464722e+05
## AIC
## 1 652.1475
## 2 25085.2893
## 3 20510.5382
## 4 20626.9076# Crear un dataframe manualmente con los 4 modelos para el producto 3678055
datos_3678055_completo <- data.frame(
Producto = rep("3678055", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3678055_completo <- left_join(
datos_3678055_completo,
metricas_comparativas %>% filter(Producto == "3678055"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3678055_completo$MAPE[2])) {
datos_3678055_completo$MAPE[2] <- mape_3678055
}
if (is.na(datos_3678055_completo$MSE[2])) {
datos_3678055_completo$MSE[2] <- mse_3678055
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 3678055
if (is.na(datos_3678055_completo$MAPE[3]) && exists("mape_rf")) {
datos_3678055_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3678055_completo$MSE[3]) && exists("mse_rf")) {
datos_3678055_completo$MSE[3] <- mse_rf
}
# Valores para XGBoost
if (is.na(datos_3678055_completo$MAPE[4]) && exists("mape_completo")) {
datos_3678055_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3678055_completo$MSE[4]) && exists("mse_completo")) {
datos_3678055_completo$MSE[4] <- mse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3678055:")## [1] "Datos completos para el producto 3678055:"print(datos_3678055_completo)## Producto Modelo R2 RMSE MAPE MSE AIC
## 1 3678055 ARMA/SARIMA NA NA NA NA NA
## 2 3678055 RegresiĆ³n Lineal 0.9976025 460.6574 2.9008020 212205.3 25085.29
## 3 3678055 Random Forest 0.9973914 480.5162 0.2172073 230895.8 20510.54
## 4 3678055 XGBoost 0.9972154 496.4597 0.2564149 246472.2 20626.91# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_3678055_completo, aes(x = Modelo, y = MSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3678055",
subtitle = "MĆ©trica: MSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3678055_completo$MSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3678055_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3678055",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3678055_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
9 ESTIMACIĆN DE PRECIOS
9.0.1 PreparaciĆ³n de datos
# FunciĆ³n para preparar datos de un producto
prepare_price_data <- function(df, product_id) {
product_data <- df %>%
filter(ID_Inventario == product_id) %>%
arrange(Trx_Fecha) %>%
select(
Trx_Fecha, Precio_Final_Unitario, Cant, Venta,
Costo_Venta, Descuento_Porcentaje, Semana, Mes
) %>%
mutate(
Dia_Semana = wday(Trx_Fecha),
Mes_Num = month(Trx_Fecha),
Anio = year(Trx_Fecha),
Dias_Desde_Inicio = as.numeric(difftime(Trx_Fecha, min(Trx_Fecha), units = "days")),
Margen_Unitario = (Venta / Cant) - (Costo_Venta / Cant),
Precio_Unitario_Calc = Venta / Cant,
ID_Inventario = product_id
)
return(product_data)
}
# AsegĆŗrate de que 'datos' sea tu data.frame cargado correctamente
# Por ejemplo, si vienes de un archivo .csv:
# datos <- read.csv("archivo.csv")
# Aplicar la funciĆ³n a todos los productos
ids <- unique(datos$ID_Inventario)
productos_preparados <- map_df(ids, function(id) {
prepare_price_data(datos, id)
})
# Mostrar una parte del resultado
head(productos_preparados)## # A tibble: 6 Ć 15
## Trx_Fecha Precio_Final_Unitario Cant Venta Costo_Venta
## <dttm> <dbl> <dbl> <dbl> <dbl>
## 1 2023-01-02 00:00:00 980 1 980 727.
## 2 2023-01-03 00:00:00 728 1 728 905.
## 3 2023-01-03 00:00:00 840 6 5040 3598.
## 4 2023-01-04 00:00:00 1120 1 1120 577.
## 5 2023-01-04 00:00:00 728 8 5824 6619.
## 6 2023-01-04 00:00:00 980 10 9800 7273.
## # ā¹ 10 more variables: Descuento_Porcentaje <dbl>, Semana <dbl>, Mes <dbl>,
## # Dia_Semana <dbl>, Mes_Num <dbl>, Anio <dbl>, Dias_Desde_Inicio <dbl>,
## # Margen_Unitario <dbl>, Precio_Unitario_Calc <dbl>, ID_Inventario <dbl># Vector con productos (debe ir primero)
productos_ids <- top_ids
# FunciĆ³n para entrenar modelo ARMA por producto
train_arma_model <- function(data, product_id) {
library(forecast) # AsegĆŗrate de cargar forecast si no estĆ” cargado aĆŗn
product_data <- data %>% filter(ID_Inventario == product_id)
serie_ts <- ts(product_data$Venta, frequency = 12)
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
return(modelo_arma)
}
# Crear lista de modelos ARMA por producto
modelos_arma_lista <- setNames(
lapply(productos_ids, function(id) train_arma_model(datos, id)),
as.character(productos_ids)
)
# FunciĆ³n para modelo regresiĆ³n lineal
train_reg_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
modelo_reg <- lm(Venta ~ Precio_Final_Unitario, data = product_data)
return(modelo_reg)
}
# FunciĆ³n para modelo Random Forest
train_rf_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
predictors <- c("Precio_Final_Unitario", "Cant", "Descuento_Porcentaje")
rf_data <- product_data %>% select(all_of(predictors), Venta)
modelo_rf <- randomForest(Venta ~ ., data = rf_data, ntree = 100)
return(modelo_rf)
}
# FunciĆ³n para modelo XGBoost
train_xgb_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
predictors <- c("Precio_Final_Unitario", "Cant", "Descuento_Porcentaje")
train_matrix <- xgb.DMatrix(data = as.matrix(product_data[, predictors]), label = product_data$Venta)
params <- list(objective = "reg:squarederror")
modelo_xgb <- xgb.train(params = params, data = train_matrix, nrounds = 50, verbose = 0)
return(modelo_xgb)
}
# Crear listas de modelos
modelos_reg_lista <- setNames(lapply(productos_ids, function(id) train_reg_model(datos, id)), as.character(productos_ids))
modelos_rf_lista <- setNames(lapply(productos_ids, function(id) train_rf_model(datos, id)), as.character(productos_ids))
modelos_xgb_lista <- setNames(lapply(productos_ids, function(id) train_xgb_model(datos, id)), as.character(productos_ids))9.0.2 Entrenar modelos de predicciĆ³n de precios
# FunciĆ³n para entrenar modelos de predicciĆ³n de precios
train_price_models <- function(data, product_id, test_size = 0.2) {
price_data <- prepare_price_data(data, product_id) %>%
drop_na() %>%
select(
Precio_Final_Unitario,
Cant, Costo_Venta, Descuento_Porcentaje,
Dia_Semana, Mes_Num, Anio, Dias_Desde_Inicio,
Margen_Unitario
)
# Evitar fallos si hay muy pocos datos
if (nrow(price_data) < 10) {
warning(paste("Producto", product_id, "tiene menos de 10 registros. Se omite."))
return(NULL)
}
set.seed(123)
train_index <- createDataPartition(price_data$Precio_Final_Unitario, p = 1 - test_size, list = FALSE)
train_data <- price_data[train_index, ]
test_data <- price_data[-train_index, ]
# 1. RegresiĆ³n Lineal
lm_model <- lm(Precio_Final_Unitario ~ ., data = train_data)
# 2. Random Forest
rf_model <- randomForest(
Precio_Final_Unitario ~ .,
data = train_data,
ntree = 500,
importance = TRUE
)
# 3. XGBoost
features <- setdiff(names(train_data), "Precio_Final_Unitario")
x_train <- as.matrix(train_data[, features])
y_train <- train_data$Precio_Final_Unitario
x_test <- as.matrix(test_data[, features])
y_test <- test_data$Precio_Final_Unitario
dtrain <- xgb.DMatrix(data = x_train, label = y_train)
dtest <- xgb.DMatrix(data = x_test, label = y_test)
xgb_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = 0.1,
max_depth = 6,
min_child_weight = 3,
subsample = 0.8,
colsample_bytree = 0.8
)
xgb_model <- xgb.train(
params = xgb_params,
data = dtrain,
nrounds = 100,
watchlist = list(train = dtrain, test = dtest),
early_stopping_rounds = 10,
verbose = 0
)
# EvaluaciĆ³n
lm_pred <- predict(lm_model, newdata = test_data)
rf_pred <- predict(rf_model, newdata = test_data)
xgb_pred <- predict(xgb_model, x_test)
lm_rmse <- sqrt(mean((lm_pred - test_data$Precio_Final_Unitario)^2))
rf_rmse <- sqrt(mean((rf_pred - test_data$Precio_Final_Unitario)^2))
xgb_rmse <- sqrt(mean((xgb_pred - test_data$Precio_Final_Unitario)^2))
lm_r2 <- 1 - sum((test_data$Precio_Final_Unitario - lm_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
rf_r2 <- 1 - sum((test_data$Precio_Final_Unitario - rf_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
xgb_r2 <- 1 - sum((test_data$Precio_Final_Unitario - xgb_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
metrics <- data.frame(
Model = c("Linear Regression", "Random Forest", "XGBoost"),
RMSE = c(lm_rmse, rf_rmse, xgb_rmse),
R2 = c(lm_r2, rf_r2, xgb_r2)
)
return(list(metrics = metrics))
}
# IDs de los 5 productos a modelar
productos_ids <- c(155001, 3929788, 3904152, 155002, 3678055)
# Aplicar modelo a cada producto
resultados_modelos <- map(productos_ids, function(id) {
resultado <- train_price_models(datos, product_id = id)
if (!is.null(resultado)) {
resultado$metrics %>% mutate(ID_Inventario = id)
} else {
NULL
}
}) %>% compact() %>% bind_rows()
# Mostrar resultados
resultados_modelos## Model RMSE R2 ID_Inventario
## 1 Linear Regression 30.2314808 0.9301839 155001
## 2 Random Forest 20.4235912 0.9681360 155001
## 3 XGBoost 10.4223865 0.9917020 155001
## 4 Linear Regression 0.9961090 0.9745183 3929788
## 5 Random Forest 0.7372416 0.9860417 3929788
## 6 XGBoost 0.3352396 0.9971138 3929788
## 7 Linear Regression 63.2610620 0.8980785 3904152
## 8 Random Forest 12.2140718 0.9962006 3904152
## 9 XGBoost 11.1592529 0.9968285 3904152
## 10 Linear Regression 25.7977520 0.9226069 155002
## 11 Random Forest 10.3007416 0.9876611 155002
## 12 XGBoost 5.1695872 0.9968922 155002
## 13 Linear Regression 110.6053375 0.8924438 3678055
## 14 Random Forest 30.7411253 0.9916915 3678055
## 15 XGBoost 18.7278222 0.9969164 3678055# Lista con los IDs de productos (puedes usar top_ids que ya definiste)
productos_ids <- top_ids
# Entrenar modelos para cada producto y guardar en lista
modelos_precio_lista <- setNames(
lapply(productos_ids, function(id) train_price_models(datos, id)),
as.character(productos_ids)
)9.0.3 Estimar precios Ć³ptimos
estimate_optimal_prices <- function(data, product_id, price_models, demand_models = NULL, future_dates = NULL) {
price_steps <- 20
best_price_model_idx <- which.max(price_models$metrics$R2)
best_price_model_name <- price_models$metrics$Model[best_price_model_idx]
product_data <- data %>% filter(ID_Inventario == product_id)
min_price <- min(product_data$Precio_Final_Unitario, na.rm = TRUE)
max_price <- max(product_data$Precio_Final_Unitario, na.rm = TRUE)
price_range <- seq(min_price, max_price, length.out = price_steps)
future_scenarios <- data.frame()
for (future_date in future_dates) {
future_date <- as.Date(future_date)
mes_actual <- lubridate::month(future_date)
mes_data <- product_data %>% filter(lubridate::month(Trx_Fecha) == mes_actual)
if (nrow(mes_data) < 5) mes_data <- product_data
costo_mes <- median(mes_data$Costo_Venta, na.rm = TRUE)
cant_mes <- median(mes_data$Cant, na.rm = TRUE)
desc_mes <- median(mes_data$Descuento_Porcentaje, na.rm = TRUE)
if (is.na(costo_mes)) costo_mes <- median(product_data$Costo_Venta, na.rm = TRUE)
if (is.na(cant_mes) || cant_mes == 0) cant_mes <- median(product_data$Cant, na.rm = TRUE)
if (is.na(desc_mes)) desc_mes <- median(product_data$Descuento_Porcentaje, na.rm = TRUE)
date_df <- data.frame(
Trx_Fecha = rep(future_date, price_steps),
Precio_Final_Unitario = price_range,
Cant = cant_mes,
Costo_Venta = costo_mes,
Descuento_Porcentaje = desc_mes,
Dia_Semana = lubridate::wday(future_date),
Mes_Num = mes_actual,
Anio = lubridate::year(future_date),
Dias_Desde_Inicio = as.numeric(difftime(future_date, min(product_data$Trx_Fecha), units = "days")),
Margen_Unitario = NA
)
future_scenarios <- rbind(future_scenarios, date_df)
}
future_scenarios$Margen_Unitario <- future_scenarios$Precio_Final_Unitario -
(future_scenarios$Costo_Venta / future_scenarios$Cant)
product_data <- product_data %>% arrange(Trx_Fecha)
elasticity_df <- product_data %>%
filter(!is.na(Cant) & !is.na(Precio_Final_Unitario)) %>%
mutate(
P_lag = lag(Precio_Final_Unitario),
Q_lag = lag(Cant),
dP = Precio_Final_Unitario - P_lag,
dQ = Cant - Q_lag,
elasticity_point = (dQ / Q_lag) / (dP / P_lag)
) %>%
filter(!is.na(elasticity_point), is.finite(elasticity_point))
elasticity <- median(elasticity_df$elasticity_point, na.rm = TRUE)
if (is.na(elasticity) || !is.finite(elasticity)) elasticity <- 1.5
results <- future_scenarios %>%
mutate(Venta_Esperada = 0, Margen_Total = 0)
for (i in 1:nrow(results)) {
baseline_price <- median(product_data$Precio_Final_Unitario, na.rm = TRUE)
price_ratio <- baseline_price / results$Precio_Final_Unitario[i]
adjusted_quantity <- results$Cant[i] * (price_ratio ^ elasticity)
results$Venta_Esperada[i] <- results$Precio_Final_Unitario[i] * adjusted_quantity
results$Margen_Total[i] <- adjusted_quantity * results$Margen_Unitario[i]
}
optimal_prices <- results %>%
group_by(Trx_Fecha) %>%
slice_max(Venta_Esperada, n = 1) %>%
select(Trx_Fecha, Precio_Optimal = Precio_Final_Unitario, Venta_Esperada, Margen_Total)
return(list(
resultados = results,
precios_optimos = optimal_prices,
elasticidad = elasticity
))
}9.0.4 Visualizar resultados
dates_future <- seq.Date(as.Date("2025-01-01"), by = "month", length.out = 6)
precios_optimos_lista <- list()
for (id in productos_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
modelo_precio <- modelos_precio_lista[[as.character(id)]]
if (!is.null(modelo_precio)) {
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = datos,
product_id = id,
price_models = modelo_precio,
future_dates = dates_future
)
}
}## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 3678055graficas_individuales <- list()
for (id in names(precios_optimos_lista)) {
df_optimo <- precios_optimos_lista[[id]]$precios_optimos
p <- ggplot(df_optimo, aes(x = Trx_Fecha, y = Precio_Optimal)) +
geom_line(color = "#1f77b4", linewidth = 1.2) +
geom_point(color = "#1f77b4", size = 2) +
labs(
title = paste("Precio Ćptimo por Mes - Producto", id),
x = "Fecha",
y = "Precio Ćptimo"
) +
scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
graficas_individuales[[id]] <- p
}
for (id in names(graficas_individuales)) {
print(graficas_individuales[[id]])
}
9.0.5 IntegraciĆ³n de precios Ć³ptimos y modelos
integrate_with_existing_models <- function(data, product_id, price_opt_results,
arma_model = NULL, reg_model = NULL,
rf_model = NULL, xgb_model = NULL) {
optimal_prices <- price_opt_results[[as.character(product_id)]]$precios_optimos
if (is.null(optimal_prices) || nrow(optimal_prices) == 0) {
warning(paste("No se encontraron precios Ć³ptimos para el producto", product_id))
return(data.frame())
}
future_data <- data.frame(
Fecha = optimal_prices$Trx_Fecha,
Precio_Final_Unitario = optimal_prices$Precio_Optimal
)
hist_data <- data %>%
filter(ID_Inventario == product_id) %>%
arrange(Trx_Fecha)
future_features <- data.frame()
for (i in 1:nrow(optimal_prices)) {
future_date <- optimal_prices$Trx_Fecha[i]
future_price <- optimal_prices$Precio_Optimal[i]
mes_data <- hist_data %>% filter(lubridate::month(Trx_Fecha) == lubridate::month(future_date))
if (nrow(mes_data) < 5) mes_data <- hist_data
avg_features <- mes_data %>%
summarise(
Cant = median(Cant, na.rm = TRUE),
Costo_Venta = median(Costo_Venta, na.rm = TRUE),
Costo_Devolucion = median(Costo_Devolucion, na.rm = TRUE),
Precio_Lista_Unitario = median(Precio_Lista_Unitario, na.rm = TRUE),
Descuento_Porcentaje = median(Descuento_Porcentaje, na.rm = TRUE),
Tiempo = as.numeric(difftime(future_date, min(hist_data$Trx_Fecha), units = "days")) / 30
)
avg_features$Precio_Final_Unitario <- future_price
avg_features$Trx_Fecha <- future_date
future_features <- rbind(future_features, avg_features)
}
if (!is.null(arma_model)) {
arma_forecast <- forecast(arma_model, h = nrow(optimal_prices))
future_data$Venta_ARMA <- as.numeric(arma_forecast$mean)
ref_price <- median(hist_data$Precio_Final_Unitario, na.rm = TRUE)
elasticity <- 1.5
future_data$Venta_ARMA_Ajustada <- future_data$Venta_ARMA *
(ref_price / future_data$Precio_Final_Unitario)^elasticity
}
if (!is.null(reg_model)) {
tryCatch({
future_data$Venta_RegLineal <- predict(reg_model, newdata = future_features)
}, error = function(e) {
future_data$Venta_RegLineal <- NA
})
}
if (!is.null(rf_model)) {
tryCatch({
future_data$Venta_RandomForest <- predict(rf_model, newdata = future_features)
}, error = function(e) {
future_data$Venta_RandomForest <- NA
})
}
if (!is.null(xgb_model)) {
tryCatch({
features <- xgb_model$feature_names
if (is.null(features)) {
features <- setdiff(names(future_features), "Venta")
}
xgb_matrix <- as.matrix(future_features[, features, drop = FALSE])
future_data$Venta_XGBoost <- predict(xgb_model, xgb_matrix)
}, error = function(e) {
future_data$Venta_XGBoost <- NA
})
}
avg_cost_per_unit <- median(hist_data$Costo_Venta / hist_data$Cant, na.rm = TRUE)
for (model in c("ARMA_Ajustada", "RegLineal", "RandomForest", "XGBoost")) {
vcol <- paste0("Venta_", model)
if (vcol %in% names(future_data)) {
ucol <- paste0("Unidades_", model)
ccol <- paste0("Costo_", model)
mcol <- paste0("Margen_", model)
future_data[[ucol]] <- future_data[[vcol]] / future_data$Precio_Final_Unitario
future_data[[ccol]] <- future_data[[ucol]] * avg_cost_per_unit
future_data[[mcol]] <- future_data[[vcol]] - future_data[[ccol]]
}
}
pred_cols <- c("Venta_ARMA_Ajustada", "Venta_RegLineal", "Venta_RandomForest", "Venta_XGBoost")
pred_cols <- pred_cols[pred_cols %in% names(future_data)]
tryCatch({
if (length(pred_cols) > 0 && ncol(future_data[, pred_cols, drop = FALSE]) > 0) {
future_data$Venta_Consenso <- rowMeans(future_data[, pred_cols, drop = FALSE], na.rm = TRUE)
future_data$Unidades_Consenso <- future_data$Venta_Consenso / future_data$Precio_Final_Unitario
future_data$Costo_Consenso <- future_data$Unidades_Consenso * avg_cost_per_unit
future_data$Margen_Consenso <- future_data$Venta_Consenso - future_data$Costo_Consenso
}
}, error = function(e) {
warning(paste("No se pudo calcular el consenso para producto", product_id, ":", e$message))
})
return(future_data)
}
resultados_futuros_lista <- list()
for (id in productos_ids) {
cat("Integrando modelos para producto:", id, "\n")
resultado <- integrate_with_existing_models(
data = datos,
product_id = id,
price_opt_results = precios_optimos_lista,
arma_model = modelos_arma_lista[[as.character(id)]],
reg_model = modelos_reg_lista[[as.character(id)]],
rf_model = modelos_rf_lista[[as.character(id)]],
xgb_model = modelos_xgb_lista[[as.character(id)]]
)
resultados_futuros_lista[[as.character(id)]] <- resultado
}## Integrando modelos para producto: 155001
## Integrando modelos para producto: 3929788
## Integrando modelos para producto: 3904152
## Integrando modelos para producto: 155002
## Integrando modelos para producto: 36780559.0.6 Pipeline correcto
corregir_formato_fechas <- function(datos) {
if ("Trx_Fecha" %in% colnames(datos)) {
datos$Trx_Fecha_Original <- datos$Trx_Fecha
if (is.character(datos$Trx_Fecha) &&
any(grepl("^\\d{7}-\\d{2}-\\d{2}$", datos$Trx_Fecha))) {
cat("Corrigiendo formato de fechas extraƱo...\n")
datos$Trx_Fecha <- sapply(datos$Trx_Fecha, function(fecha) {
if (is.na(fecha) || !is.character(fecha)) return(NA)
partes <- strsplit(fecha, "-")[[1]]
if (length(partes) == 3) {
fecha_corregida <- paste("2023", partes[2], partes[3], sep = "-")
return(fecha_corregida)
} else {
return(NA)
}
})
datos$Trx_Fecha <- as.Date(datos$Trx_Fecha)
cat("Fechas corregidas exitosamente.\n")
} else if (!inherits(datos$Trx_Fecha, "Date")) {
cat("Intentando convertir fechas a formato Date...\n")
datos$Trx_Fecha <- as.Date(datos$Trx_Fecha)
}
}
return(datos)
}
# Aplicar la correcciĆ³n a tu dataframe antes de usarlo
datos_filtrados <- corregir_formato_fechas(datos_filtrados)## Intentando convertir fechas a formato Date...dates_future <- seq.Date(as.Date("2023-01-01"), by = "month", length.out = 6)
precios_optimos_lista <- list()
for (id in productos_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
modelo_precio <- modelos_precio_lista[[as.character(id)]]
if (!is.null(modelo_precio)) {
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = datos_filtrados,
product_id = id,
price_models = modelo_precio,
future_dates = dates_future
)
}
}## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 3678055for (id in names(precios_optimos_lista)) {
df_optimo <- precios_optimos_lista[[id]]$precios_optimos
if (!inherits(df_optimo$Trx_Fecha, "Date")) {
df_optimo$Trx_Fecha <- as.Date(df_optimo$Trx_Fecha)
}
p <- ggplot(df_optimo, aes(x = Trx_Fecha, y = Precio_Optimal)) +
geom_line(color = "#1f77b4", linewidth = 1.2) +
geom_point(color = "#1f77b4", size = 2) +
labs(
title = paste("Precio Ćptimo por Mes - Producto", id),
x = "Fecha",
y = "Precio Ćptimo"
) +
scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
print(p)
}
# FunciĆ³n para correr optimizaciĆ³n de precios para todos los productos
run_price_optimization <- function(data, product_ids, future_dates = NULL, modelos_precio_lista = NULL) {
if (is.null(future_dates)) {
future_dates <- seq.Date(Sys.Date(), by = "month", length.out = 6)
}
precios_optimos_lista <- list()
for (id in product_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
price_model <- NULL
if (!is.null(modelos_precio_lista)) {
price_model <- modelos_precio_lista[[as.character(id)]]
}
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = data,
product_id = id,
price_models = price_model,
future_dates = future_dates
)
}
return(precios_optimos_lista)
}
# FunciĆ³n principal que integra todo el pipeline
run_complete_analysis <- function(data, top_ids, modelos_arma, modelos_reg, modelos_rf, modelos_xgb, modelos_precio_lista = NULL) {
# 1. Ejecutar optimizaciĆ³n de precios para todos los productos
all_results <- run_price_optimization(data, top_ids, modelos_precio_lista = modelos_precio_lista)
# 2. Integrar con modelos existentes para cada producto
integrated_results <- list()
for (i in seq_along(top_ids)) {
pid <- top_ids[i]
pid_str <- as.character(pid)
arma_model <- if(length(modelos_arma) >= i) modelos_arma[[i]] else NULL
reg_model <- if(length(modelos_reg) >= i) modelos_reg[[i]] else NULL
rf_model <- if(length(modelos_rf) >= i) modelos_rf[[i]] else NULL
xgb_model <- if(length(modelos_xgb) >= i) modelos_xgb[[i]] else NULL
future_predictions <- integrate_with_existing_models(
data = data,
product_id = pid,
price_opt_results = all_results,
arma_model = arma_model,
reg_model = reg_model,
rf_model = rf_model,
xgb_model = xgb_model
)
integrated_results[[pid_str]] <- future_predictions
if (nrow(future_predictions) > 0) {
p_sales <- ggplot(future_predictions)
if ("Venta_ARMA_Ajustada" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_ARMA_Ajustada, color = "ARMA"), size = 3, na.rm = TRUE)
}
if ("Venta_RegLineal" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_RegLineal, color = "RegresiĆ³n Lineal"), size = 3, na.rm = TRUE)
}
if ("Venta_RandomForest" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_RandomForest, color = "Random Forest"), size = 3, na.rm = TRUE)
}
if ("Venta_XGBoost" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_XGBoost, color = "XGBoost"), size = 3, na.rm = TRUE)
}
if ("Venta_Consenso" %in% names(future_predictions)) {
p_sales <- p_sales + geom_line(aes(x = Fecha, y = Venta_Consenso, color = "Consenso"), size = 1.5)
}
p_sales <- p_sales +
labs(
title = paste("Predicciones de ventas con precios Ć³ptimos - Producto", pid),
x = "Fecha",
y = "Ventas estimadas ($)",
color = "Modelo"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold"),
legend.position = "bottom"
)
p_margins <- ggplot(future_predictions)
if ("Margen_Consenso" %in% names(future_predictions)) {
p_margins <- p_margins +
geom_col(aes(x = Fecha, y = Margen_Consenso), fill = "steelblue", width = 15) +
geom_text(aes(x = Fecha, y = Margen_Consenso, label = round(Margen_Consenso, 0)),
vjust = -0.5, size = 3.5)
}
p_margins <- p_margins +
labs(
title = paste("Margen esperado con precios Ć³ptimos - Producto", pid),
x = "Fecha",
y = "Margen estimado ($)"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold")
)
all_results[[pid_str]]$integrated_plots <- list(
sales = p_sales,
margins = p_margins
)
}
}
# 3. Visualizar resultados comparativos
all_optimal_prices <- data.frame()
for (pid in top_ids) {
pid_str <- as.character(pid)
if (pid_str %in% names(all_results)) {
opt_prices <- all_results[[pid_str]]$precios_optimos %>%
mutate(ID_Inventario = pid)
all_optimal_prices <- rbind(all_optimal_prices, opt_prices)
}
}
p_comparison <- ggplot(all_optimal_prices,
aes(x = Trx_Fecha, y = Precio_Optimal, color = factor(ID_Inventario))) +
geom_line(size = 1.2) +
geom_point(size = 3) +
labs(
title = "ComparaciĆ³n de Precios Ćptimos por Producto",
x = "Fecha",
y = "Precio Ćptimo",
color = "ID Producto"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold"),
legend.position = "bottom"
)
metricas_optimas <- data.frame()
for (pid in top_ids) {
pid_str <- as.character(pid)
if (pid_str %in% names(integrated_results)) {
pred_data <- integrated_results[[pid_str]]
if ("Margen_Consenso" %in% names(pred_data)) {
metrics_row <- data.frame(
ID_Inventario = pid,
Precio_Promedio = mean(pred_data$Precio_Final_Unitario, na.rm = TRUE),
Venta_Total = sum(pred_data$Venta_Consenso, na.rm = TRUE),
Margen_Total = sum(pred_data$Margen_Consenso, na.rm = TRUE),
Margen_Porcentual = 100 * sum(pred_data$Margen_Consenso, na.rm = TRUE) /
sum(pred_data$Venta_Consenso, na.rm = TRUE)
)
metricas_optimas <- rbind(metricas_optimas, metrics_row)
}
}
}
return(list(
resultados = all_results,
integracion = integrated_results,
precios_optimos = all_optimal_prices,
metricas_optimas = metricas_optimas,
grafico_comparativo = p_comparison
))
}
# Ejecutar el anƔlisis completo
resultado_completo <- run_complete_analysis(
data = datos,
top_ids = productos_ids,
modelos_arma = modelos_arma_lista,
modelos_reg = modelos_reg_lista,
modelos_rf = modelos_rf_lista,
modelos_xgb = modelos_xgb_lista,
modelos_precio_lista = modelos_precio_lista # Pasa esta lista si la tienes, o NULL
)## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 36780559.0.7 GrĆ”fico comparativo de precios Ć³ptimos por producto:
# Mostrar mƩtricas si estƔs en modo interactivo
if (interactive()) View(resultado_completo$metricas_optimas)
cat("GrĆ”fico comparativo de precios Ć³ptimos por producto:\n")## GrĆ”fico comparativo de precios Ć³ptimos por producto:print(resultado_completo$grafico_comparativo)
10 PrediciĆ³n de ventas con precios optimos por producto
cat("GrƔficos individuales por producto:\n")## GrƔficos individuales por producto:for (pid in names(resultado_completo$resultados)) {
plots <- resultado_completo$resultados[[pid]]$integrated_plots
if (!is.null(plots)) {
cat(paste0("## Producto: ", pid, "\n\n"))
print(plots$sales)
print(plots$margins)
# SeparaciĆ³n visual opcional
cat("\n---\n\n")
}
}## ## Producto: 155001
##
## ---
##
## ## Producto: 3929788
##
## ---
##
## ## Producto: 3904152
##
## ---
##
## ## Producto: 155002
##
## ---
##
## ## Producto: 3678055
##
## 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