Arbol de Decisiones Titanic y Cancer de Mama

Installar y llamar librerías

library(rpart)
library(rpart.plot)
library(tidyverse)
library(ggplot2)
library(lattice)
library(caret)
library(datasets)

Importar la base de datos

df = read.csv("C:\\Users\\erik-\\OneDrive\\Documentos\\Escuela\\Universidad\\7ºSemestre\\Modulo_2\\titanic.csv")

Entender la base de datos

summary(df)

##      pclass         survived         name               sex           
##  Min.   :1.000   Min.   :0.000   Length:1310        Length:1310       
##  1st Qu.:2.000   1st Qu.:0.000   Class :character   Class :character  
##  Median :3.000   Median :0.000   Mode  :character   Mode  :character  
##  Mean   :2.295   Mean   :0.382                                        
##  3rd Qu.:3.000   3rd Qu.:1.000                                        
##  Max.   :3.000   Max.   :1.000                                        
##  NA's   :1       NA's   :1                                            
##       age              sibsp            parch          ticket         
##  Min.   : 0.1667   Min.   :0.0000   Min.   :0.000   Length:1310       
##  1st Qu.:21.0000   1st Qu.:0.0000   1st Qu.:0.000   Class :character  
##  Median :28.0000   Median :0.0000   Median :0.000   Mode  :character  
##  Mean   :29.8811   Mean   :0.4989   Mean   :0.385                     
##  3rd Qu.:39.0000   3rd Qu.:1.0000   3rd Qu.:0.000                     
##  Max.   :80.0000   Max.   :8.0000   Max.   :9.000                     
##  NA's   :264       NA's   :1        NA's   :1                         
##       fare            cabin             embarked             boat          
##  Min.   :  0.000   Length:1310        Length:1310        Length:1310       
##  1st Qu.:  7.896   Class :character   Class :character   Class :character  
##  Median : 14.454   Mode  :character   Mode  :character   Mode  :character  
##  Mean   : 33.295                                                           
##  3rd Qu.: 31.275                                                           
##  Max.   :512.329                                                           
##  NA's   :2                                                                 
##       body        home.dest        
##  Min.   :  1.0   Length:1310       
##  1st Qu.: 72.0   Class :character  
##  Median :155.0   Mode  :character  
##  Mean   :160.8                     
##  3rd Qu.:256.0                     
##  Max.   :328.0                     
##  NA's   :1189

str(df)

## 'data.frame':    1310 obs. of  14 variables:
##  $ pclass   : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ survived : int  1 1 0 0 0 1 1 0 1 0 ...
##  $ name     : chr  "Allen, Miss. Elisabeth Walton" "Allison, Master. Hudson Trevor" "Allison, Miss. Helen Loraine" "Allison, Mr. Hudson Joshua Creighton" ...
##  $ sex      : chr  "female" "male" "female" "male" ...
##  $ age      : num  29 0.917 2 30 25 ...
##  $ sibsp    : int  0 1 1 1 1 0 1 0 2 0 ...
##  $ parch    : int  0 2 2 2 2 0 0 0 0 0 ...
##  $ ticket   : chr  "24160" "113781" "113781" "113781" ...
##  $ fare     : num  211 152 152 152 152 ...
##  $ cabin    : chr  "B5" "C22 C26" "C22 C26" "C22 C26" ...
##  $ embarked : chr  "S" "S" "S" "S" ...
##  $ boat     : chr  "2" "11" "" "" ...
##  $ body     : int  NA NA NA 135 NA NA NA NA NA 22 ...
##  $ home.dest: chr  "St Louis, MO" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" ...

head(df)

##   pclass survived                                            name    sex
## 1      1        1                   Allen, Miss. Elisabeth Walton female
## 2      1        1                  Allison, Master. Hudson Trevor   male
## 3      1        0                    Allison, Miss. Helen Loraine female
## 4      1        0            Allison, Mr. Hudson Joshua Creighton   male
## 5      1        0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female
## 6      1        1                             Anderson, Mr. Harry   male
##       age sibsp parch ticket     fare   cabin embarked boat body
## 1 29.0000     0     0  24160 211.3375      B5        S    2   NA
## 2  0.9167     1     2 113781 151.5500 C22 C26        S   11   NA
## 3  2.0000     1     2 113781 151.5500 C22 C26        S        NA
## 4 30.0000     1     2 113781 151.5500 C22 C26        S       135
## 5 25.0000     1     2 113781 151.5500 C22 C26        S        NA
## 6 48.0000     0     0  19952  26.5500     E12        S    3   NA
##                         home.dest
## 1                    St Louis, MO
## 2 Montreal, PQ / Chesterville, ON
## 3 Montreal, PQ / Chesterville, ON
## 4 Montreal, PQ / Chesterville, ON
## 5 Montreal, PQ / Chesterville, ON
## 6                    New York, NY

Crear el árbol

df$survived <- as.factor(df$survived)
df$pclass <- as.factor(df$pclass)
str(df)

## 'data.frame':    1310 obs. of  14 variables:
##  $ pclass   : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
##  $ survived : Factor w/ 2 levels "0","1": 2 2 1 1 1 2 2 1 2 1 ...
##  $ name     : chr  "Allen, Miss. Elisabeth Walton" "Allison, Master. Hudson Trevor" "Allison, Miss. Helen Loraine" "Allison, Mr. Hudson Joshua Creighton" ...
##  $ sex      : chr  "female" "male" "female" "male" ...
##  $ age      : num  29 0.917 2 30 25 ...
##  $ sibsp    : int  0 1 1 1 1 0 1 0 2 0 ...
##  $ parch    : int  0 2 2 2 2 0 0 0 0 0 ...
##  $ ticket   : chr  "24160" "113781" "113781" "113781" ...
##  $ fare     : num  211 152 152 152 152 ...
##  $ cabin    : chr  "B5" "C22 C26" "C22 C26" "C22 C26" ...
##  $ embarked : chr  "S" "S" "S" "S" ...
##  $ boat     : chr  "2" "11" "" "" ...
##  $ body     : int  NA NA NA 135 NA NA NA NA NA 22 ...
##  $ home.dest: chr  "St Louis, MO" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" ...

titanic <- df[,c("pclass","age", "sex", "survived")]


arbol_titanic <- rpart(survived~., data = titanic)

rpart.plot(arbol_titanic)

prp(arbol_titanic, extra = 7, prefix = "fracción\n")

Conclusiones

En conclusión, las probabilidades de sobrevivir en el naurfragio del Titanic son:

• 100%: Si eres niño varón menor de 9.5 años de 1º o 2º clase.
• 73%: Si eres mujer.

Y por el contrario, las más bajas probabilidades de sobrevivir son:

• 17%: Si eres hombre mayor a 9.5 años
• 38%: Si eres niño varón menor de 9.5 años de 3º clase

Cancer de mama

df_mama <- read.csv("C:\\Users\\erik-\\OneDrive\\Documentos\\Escuela\\Universidad\\7ºSemestre\\Modulo_2\\cancer_de_mama.csv")

Separar los datos en entrenamiento y prueba

df_mama$diagnosis <- as.factor(df_mama$diagnosis)
set.seed(123)
renglones_entrenamiento <- createDataPartition(df_mama$diagnosis, p = 0.8, list = FALSE) 
# el argumento list asegura la aleatoridad en las particiones
entrenamiento <- df_mama[renglones_entrenamiento,]
prueba <- df_mama[-renglones_entrenamiento,]

Evaluación del árbol de decisiónes del cancer de mama

modelo_arbol_mama <- train(diagnosis ~ ., data = entrenamiento, #Species es la y 
                 method = "rpart", # Cambiar
                 preProcess= c("scale", "center"),
                 trControl = trainControl(method = "cv", number =10), 
                 tuneLength = 10 
                 )

resultado_entrenamiento_mama <- predict(modelo_arbol_mama, entrenamiento)
resultado_prueba_mama <- predict(modelo_arbol_mama, prueba)

# Matriz de Confusion 
# Es una tabal de evaluación que desglosa el rendimiento del modelo de clasificación. 


# Matriz de Confusión del Resultado del Entrenamiento
mcre_arbol <- confusionMatrix(resultado_entrenamiento_mama, entrenamiento$diagnosis)
mcre_arbol

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction   B   M
##          B 270   9
##          M  16 161
##                                           
##                Accuracy : 0.9452          
##                  95% CI : (0.9201, 0.9642)
##     No Information Rate : 0.6272          
##     P-Value [Acc > NIR] : <2e-16          
##                                           
##                   Kappa : 0.8837          
##                                           
##  Mcnemar's Test P-Value : 0.2301          
##                                           
##             Sensitivity : 0.9441          
##             Specificity : 0.9471          
##          Pos Pred Value : 0.9677          
##          Neg Pred Value : 0.9096          
##              Prevalence : 0.6272          
##          Detection Rate : 0.5921          
##    Detection Prevalence : 0.6118          
##       Balanced Accuracy : 0.9456          
##                                           
##        'Positive' Class : B               
## 

# Matriz de Confusión del Resultado del Prueba
mcrp_arbol <- confusionMatrix(resultado_prueba_mama, prueba$diagnosis)
mcrp_arbol

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction  B  M
##          B 62  4
##          M  9 38
##                                           
##                Accuracy : 0.885           
##                  95% CI : (0.8113, 0.9373)
##     No Information Rate : 0.6283          
##     P-Value [Acc > NIR] : 8.286e-10       
##                                           
##                   Kappa : 0.7595          
##                                           
##  Mcnemar's Test P-Value : 0.2673          
##                                           
##             Sensitivity : 0.8732          
##             Specificity : 0.9048          
##          Pos Pred Value : 0.9394          
##          Neg Pred Value : 0.8085          
##              Prevalence : 0.6283          
##          Detection Rate : 0.5487          
##    Detection Prevalence : 0.5841          
##       Balanced Accuracy : 0.8890          
##                                           
##        'Positive' Class : B               
## 

Grafico el árbol de decisiones del cancer de mama

arbol_cancer_mama <- rpart(diagnosis~., data = df_mama)
rpart.plot(arbol_cancer_mama)

prp(arbol_cancer_mama, extra = 7, prefix = "fracción\n")

Conclusiones

En conclusión las probabilidades de tener un cancer maligno de acuerdo con diferentes circustancias son las siguientes:

Si el radius_worst es mayor a 17 - Existe un 94% que el cancer sea maligno.

Si el readius_worst es mayor de 17, los concave point son mayores que 0.14 y el texture_worst es mayor que 26. - Existe un 89% que el cancer sea benigno.