EXAMEN GRUPAL II.
Isabella Gonzalez, Larimar Claudio y Meraly Desiderio
2026-05-14
Introducción
En este ejercicio, trabajamos con el conjunto de datos Employee-IBM, el cual contiene información relevante sobre distintas características de los empleados, con el propósito de aplicar técnicas de clasificación supervisada que permitan predecir su nivel de satisfacción laboral. En el contexto organizacional, comprender los factores que influyen en la satisfacción de los empleados es fundamental para mejorar la retención del talento y optimizar la toma de decisiones dentro de la empresa.
Por esta razón, en este trabajo primero exploramos el dataset para entender la estructura de los datos y las variables disponibles. Luego, aplicamos tres metodologías de clasificación supervisada: K-Nearest Neighbors (KNN) y árboles de decisión, con el objetivo de comparar su desempeño en la predicción del nivel de satisfacción. Finalmente, analizamos los resultados obtenidos mediante métricas de evaluación y visualizaciones, con el fin de identificar los factores más influyentes y extraer conclusiones relevantes para la gestión de recursos humanos.
Paso 1 - Preparación y limpieza de datos
Para este caso, la limpieza no fue necesaria, ya que los datos estaban completos y sin valores faltantes. El dataset Employee-IBM cuenta con 1,470 observaciones y 16 variables, entre las cuales se encuentran características demográficas como edad y género, así como variables laborales como ingreso mensual, años en la compañía, nivel de involucramiento en el trabajo, entre otras. La variable respuesta es Satisfaction, la cual representa el nivel de satisfacción laboral del empleado en una escala del 1 al 4, donde 1 indica satisfacción baja y 4 indica satisfacción muy alta.
Paso 2 - Exploración de datos
Se realizó un ajuste en las variables del conjunto de datos mediante la conversión de aquellas de tipo categórico a factores, con el propósito de que los modelos de clasificación las interpreten correctamente. Específicamente, las variables Satisfaction y Gender fueron transformadas a factor.Al analizar la distribución de la variable respuesta, se observa lo siguiente:
Employee_IBM <- read.csv("Employee-IBM.csv")
head(Employee_IBM)## Satisfaction Age Gender HourlyRate JobInvolvement MonthlyIncome
## 1 1 41 Female 94 3 5993
## 2 4 49 Male 61 2 5130
## 3 2 37 Male 92 2 2090
## 4 3 33 Female 56 3 2909
## 5 4 27 Male 40 3 3468
## 6 3 32 Male 79 3 3068
## NumCompaniesWorked PercentSalaryHike StockOptionLevel TotalWorkingYears
## 1 8 11 0 8
## 2 1 23 1 10
## 3 6 15 0 7
## 4 1 11 0 8
## 5 9 12 1 6
## 6 0 13 0 8
## TrainingTimesLastYear WorkLifeBalance YearsAtCompany YearsInCurrentRole
## 1 0 1 6 4
## 2 3 3 10 7
## 3 3 3 0 0
## 4 3 3 8 7
## 5 3 3 2 2
## 6 2 2 7 7
## YearsSinceLastPromotion YearsWithCurrManager
## 1 0 5
## 2 1 7
## 3 0 0
## 4 3 0
## 5 2 2
## 6 3 6Employee_IBM$Satisfaction <- as.factor(Employee_IBM$Satisfaction)
Employee_IBM$Gender <- as.factor(Employee_IBM$Gender)Paso 3 - Dividir los datos en conjunto de entrenamiento y prueba
Mediante un muestreo aleatorio estratificado se separó el conjunto de entrenamiento y el conjunto de prueba utilizando 5 folds. Se usó el fold 5 como prueba y los demás como entrenamiento, lo que equivale aproximadamente a una partición de 80% entrenamiento y 20% prueba. Esta división permite entrenar el modelo con una parte de los datos y evaluar su desempeño en un conjunto independiente, lo que ayuda a medir su capacidad de generalización y evitar el sobreajuste.
library(caret)
set.seed(2025)
folds <- createFolds(Employee_IBM$Satisfaction, k = 5)
entrenamiento <- Employee_IBM[-folds[[5]], ]
prueba <- Employee_IBM[folds[[5]], ]
# Etiquetas
entrenamiento_labels <- Employee_IBM$Satisfaction[-folds[[5]]]
prueba_labels <- Employee_IBM$Satisfaction[folds[[5]]]
# Verificar dimensiones
dim(entrenamiento)## [1] 1176 16dim(prueba)## [1] 294 16# Verificar distribución de clases
table(entrenamiento$Satisfaction)##
## 1 2 3 4
## 220 243 367 346prop.table(table(entrenamiento$Satisfaction))##
## 1 2 3 4
## 0.1870748 0.2066327 0.3120748 0.2942177table(prueba$Satisfaction)##
## 1 2 3 4
## 56 60 92 86prop.table(table(prueba$Satisfaction))##
## 1 2 3 4
## 0.1904762 0.2040816 0.3129252 0.2925170Técnica I. - Árboles de decisión
Se escogió aplicar esta técnica primero porque es fácil de entender y explicar. Además, nos da una interpretación directa para interpretar y tomar en cuenta para las demás técnicas aplicadas en el informe.
Construcción del árbol de decisión
Se escogió aplicar esta técnica primero porque es fácil de entender y explicar. Además, nos da una interpretación directa para tomar en cuenta en las demás técnicas aplicadas en el informe. Se construyó un modelo de árbol de decisión utilizando el conjunto de entrenamiento para predecir el nivel de satisfacción de los empleados.
library(rpart)
modelo1 <- rpart(Satisfaction ~ ., data = entrenamiento)
modelo1## n= 1176
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 1176 809 3 (0.1870748 0.2066327 0.3120748 0.2942177)
## 2) YearsSinceLastPromotion< 12.5 1151 789 3 (0.1894005 0.2085143 0.3145091 0.2875760)
## 4) PercentSalaryHike>=11.5 990 695 3 (0.1919192 0.2141414 0.2979798 0.2959596)
## 8) MonthlyIncome< 8386.5 779 538 4 (0.2053915 0.2079589 0.2772786 0.3093710)
## 16) Age< 52.5 752 525 4 (0.2047872 0.2101064 0.2832447 0.3018617)
## 32) NumCompaniesWorked< 4.5 601 414 4 (0.2229617 0.1980033 0.2678869 0.3111481)
## 64) TotalWorkingYears>=10.5 123 84 3 (0.2601626 0.2113821 0.3170732 0.2113821) *
## 65) TotalWorkingYears< 10.5 478 317 4 (0.2133891 0.1945607 0.2552301 0.3368201) *
## 33) NumCompaniesWorked>=4.5 151 99 3 (0.1324503 0.2582781 0.3443709 0.2649007) *
## 17) Age>=52.5 27 13 4 (0.2222222 0.1481481 0.1111111 0.5185185) *
## 9) MonthlyIncome>=8386.5 211 132 3 (0.1421801 0.2369668 0.3744076 0.2464455) *
## 5) PercentSalaryHike< 11.5 161 94 3 (0.1739130 0.1739130 0.4161491 0.2360248) *
## 3) YearsSinceLastPromotion>=12.5 25 10 4 (0.0800000 0.1200000 0.2000000 0.6000000) *Visualización del árbol
Utilizando el conjunto de entrenamiento para predecir el nivel de satisfacción de los empleados, se construyó un modelo de árbol de decisión.
library(rpart.plot)
plot.new()
rpart.plot(modelo1)
Interpretación de resultados
pred <- predict(modelo1, entrenamiento, type = "class")
tt <- table(pred, entrenamiento$Satisfaction)
tt##
## pred 1 2 3 4
## 1 0 0 0 0
## 2 0 0 0 0
## 3 110 143 237 156
## 4 110 100 130 190Un hallazgo importante es que el árbol nunca predijo los niveles 1 ni 2 de satisfacción. Esto se debe al desbalance entre clases y a que el árbol tiende a favorecer las clases más frecuentes (niveles 3 y 4), ya que minimizan la impureza global del nodo. Las variables que el árbol utilizó para realizar las divisiones fueron YearsSinceLastPromotion, PercentSalaryHike, MonthlyIncome, Age, NumCompaniesWorked y TotalWorkingYears, lo que sugiere que estas son las más relevantes para predecir el nivel de satisfacción. La variable más importante según el árbol fue YearsSinceLastPromotion: empleados con 12.5 o más años sin promoción tienden con un 60% de probabilidad a tener satisfacción muy alta (nivel 4), posiblemente porque llevan muchos años en un rol estable y han alcanzado cierta conformidad. Por otro lado, empleados con ingresos mensuales menores a $8,387 y menores de 53 años con menos de 4.5 compañías previas y pocos años trabajando, tienden a clasificarse en satisfacción nivel 4 también, lo que puede reflejar empleados jóvenes con expectativas aún en desarrollo.
Técnica 2 - K vecinos más cercanos (KNN)
Se seleccionó KNN como segundo método debido a su enfoque basado en la similitud entre observaciones, lo que permite clasificar empleados según características similares. Antes de aplicar KNN fue necesario normalizar todas las variables numéricas usando la técnica Min-Max, escalando los valores a un rango entre 0 y 1. Esto es esencial porque KNN se basa en distancias, y sin normalización las variables con rangos más amplios como MonthlyIncome dominarían el cálculo de distancia sobre variables como StockOptionLevel. Se buscó el mejor valor de k usando train.kknn con un máximo de 50 vecinos. El modelo encontró que el mejor k fue 50, con una tasa mínima de error de clasificación de 0.7041, lo que ya indica que el problema de predecir satisfacción en 4 clases es inherentemente difícil con este enfoque.
Normalización de datos
library(scales)
library(dplyr)
# Convertir Gender a numérico para poder normalizar
Employee_IBM_knn <- Employee_IBM
Employee_IBM_knn$Gender <- ifelse(Employee_IBM_knn$Gender == "Male", 1, 0)
# Normalizar todas las variables excepto Satisfaction
Employee_IBM_norm <- Employee_IBM_knn %>%
select(-Satisfaction) %>%
mutate(across(everything(), rescale))
# Agregar variable respuesta
Employee_IBM_norm$Satisfaction <- as.factor(Employee_IBM_knn$Satisfaction)
# Crear conjuntos usando los mismos folds del Paso 2
entrenamiento_knn <- Employee_IBM_norm[-folds[[5]], ]
prueba_knn <- Employee_IBM_norm[folds[[5]], ]Aplicar el método KNN
Se aplicó el algoritmo K-Nearest Neighbors utilizando el conjunto de entrenamiento, donde cada observación es clasificada en función de las clases de sus vecinos más cercanos. Este enfoque permite identificar patrones basados en la proximidad entre los datos.
library(kknn)
library(class)
# Convertir etiquetas a factor
entrenamiento_labels <- as.factor(Employee_IBM$Satisfaction[-folds[[5]]])
prueba_labels <- as.factor(Employee_IBM$Satisfaction[folds[[5]]])
# Buscar el mejor valor de k
modelo_knn <- train.kknn(Satisfaction ~ .,
data = entrenamiento_knn,
kmax = 50)
modelo_knn##
## Call:
## train.kknn(formula = Satisfaction ~ ., data = entrenamiento_knn, kmax = 50)
##
## Type of response variable: nominal
## Minimal misclassification: 0.7040816
## Best kernel: optimal
## Best k: 50# Ver el mejor k encontrado
modelo_knn$best.parameters$k## [1] 50# Predecir con el mejor k
pred_knn <- knn(entrenamiento_knn[, -ncol(entrenamiento_knn)],
prueba_knn[, -ncol(prueba_knn)],
cl = entrenamiento_labels,
k = modelo_knn$best.parameters$k)
# Tabla de clasificación
tabla_knn <- table(prueba_labels, pred_knn)
tabla_knn## pred_knn
## prueba_labels 1 2 3 4
## 1 0 3 25 28
## 2 3 2 33 22
## 3 1 1 51 39
## 4 0 9 47 30# Tasa de aciertos
TA_knn <- (sum(diag(tabla_knn))) / sum(tabla_knn)
round(TA_knn, 4)## [1] 0.2823# Matriz de confusión con caret
confusionMatrix(data = pred_knn, reference = prueba_labels)## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3 4
## 1 0 3 1 0
## 2 3 2 1 9
## 3 25 33 51 47
## 4 28 22 39 30
##
## Overall Statistics
##
## Accuracy : 0.2823
## 95% CI : (0.2316, 0.3375)
## No Information Rate : 0.3129
## P-Value [Acc > NIR] : 0.8847
##
## Kappa : -0.0215
##
## Mcnemar's Test P-Value : <2e-16
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3 Class: 4
## Sensitivity 0.00000 0.033333 0.5543 0.3488
## Specificity 0.98319 0.944444 0.4802 0.5721
## Pos Pred Value 0.00000 0.133333 0.3269 0.2521
## Neg Pred Value 0.80690 0.792115 0.7029 0.6800
## Prevalence 0.19048 0.204082 0.3129 0.2925
## Detection Rate 0.00000 0.006803 0.1735 0.1020
## Detection Prevalence 0.01361 0.051020 0.5306 0.4048
## Balanced Accuracy 0.49160 0.488889 0.5173 0.4605Validar la estabilidad del modelo
exactitud_knn <- numeric(length = 5)
for(i in 1:5){
prueba_cv_knn <- Employee_IBM_norm[folds[[i]], ]
entrenamiento_cv_knn <- Employee_IBM_norm[-folds[[i]], ]
entrenamiento_labels_cv <- as.factor(Employee_IBM$Satisfaction[-folds[[i]]])
prueba_labels_cv <- as.factor(Employee_IBM$Satisfaction[folds[[i]]])
pred_cv_knn <- knn(entrenamiento_cv_knn[, -ncol(entrenamiento_cv_knn)],
prueba_cv_knn[, -ncol(prueba_cv_knn)],
cl = entrenamiento_labels_cv,
k = modelo_knn$best.parameters$k)
cm <- confusionMatrix(pred_cv_knn, prueba_labels_cv)
exactitud_knn[i] <- cm$overall["Accuracy"]
cat("Fold", i, "- Exactitud:", exactitud_knn[i], "\n")
}## Fold 1 - Exactitud: 0.2823129
## Fold 2 - Exactitud: 0.3037543
## Fold 3 - Exactitud: 0.3129252
## Fold 4 - Exactitud: 0.3288136
## Fold 5 - Exactitud: 0.3027211# Exactitud promedio
Exactitud_promedio_knn <- round(mean(exactitud_knn), 4) * 100
paste("Exactitud promedio: ", Exactitud_promedio_knn, "%", sep = "")## [1] "Exactitud promedio: 30.61%"Interpretación de resultados
# Matriz de confusión del modelo
tabla1_knn <- table(prueba_labels, pred_knn)
tabla1_knn## pred_knn
## prueba_labels 1 2 3 4
## 1 0 3 25 28
## 2 3 2 33 22
## 3 1 1 51 39
## 4 0 9 47 30TA <- (sum(diag(tabla1_knn))) / sum(tabla1_knn)
round(TA, 4)## [1] 0.2823# Validación cruzada automática con caret
set.seed(2025)
train_control_knn <- trainControl(method = "cv", number = 10,
savePredictions = TRUE)
knn_cv <- train(Satisfaction ~ .,
data = Employee_IBM_norm,
method = "knn",
trControl = train_control_knn,
tuneGrid = data.frame(k = modelo_knn$best.parameters$k))
knn_cv## k-Nearest Neighbors
##
## 1470 samples
## 15 predictor
## 4 classes: '1', '2', '3', '4'
##
## No pre-processing
## Resampling: Cross-Validated (10 fold)
## Summary of sample sizes: 1324, 1323, 1323, 1324, 1323, 1321, ...
## Resampling results:
##
## Accuracy Kappa
## 0.2931674 -0.001017946
##
## Tuning parameter 'k' was held constant at a value of 50# Matriz de confusión usando predicciones guardadas por caret
confusionMatrix(knn_cv$pred$pred, knn_cv$pred$obs)## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3 4
## 1 11 16 17 18
## 2 13 18 26 20
## 3 139 146 224 216
## 4 113 123 192 178
##
## Overall Statistics
##
## Accuracy : 0.2932
## 95% CI : (0.27, 0.3172)
## No Information Rate : 0.3122
## P-Value [Acc > NIR] : 0.9463
##
## Kappa : -9e-04
##
## Mcnemar's Test P-Value : <2e-16
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3 Class: 4
## Sensitivity 0.039855 0.05941 0.4880 0.4120
## Specificity 0.957286 0.94944 0.5045 0.5877
## Pos Pred Value 0.177419 0.23377 0.3090 0.2937
## Neg Pred Value 0.811790 0.79541 0.6846 0.7060
## Prevalence 0.187755 0.20612 0.3122 0.2939
## Detection Rate 0.007483 0.01224 0.1524 0.1211
## Detection Prevalence 0.042177 0.05238 0.4932 0.4122
## Balanced Accuracy 0.498571 0.50442 0.4962 0.4999La tasa de aciertos fue de 28.23%, apenas superior al azar para 4 clases (25%). Al igual que el árbol de decisión, el modelo tiene dificultades para distinguir entre los niveles de satisfacción, concentrando la mayoría de sus predicciones en los niveles 3 y 4. Notamos que el nivel 1 no fue correctamente clasificado en ningún caso, y el nivel 2 solo en 2 ocasiones. La matriz de confusión detallada confirmó una exactitud de 0.2823 con un intervalo de confianza al 95% entre 0.2316 y 0.3375. El Kappa fue de -0.0215, lo que indica que el modelo no está logrando una concordancia real más allá del azar, y de hecho está ligeramente por debajo de lo esperado por azar. La sensibilidad fue prácticamente 0 para los niveles 1 y 2, mientras que para el nivel 3 fue de 0.5543, lo cual es el mejor resultado entre las clases. La exactitud promedio fue de 30.61%, lo que confirma que el modelo es relativamente estable entre particiones, aunque su desempeño general es bajo. La validación cruzada automática con caret usando 10 folds confirmó una exactitud de 0.2932 y un Kappa de -0.001, reafirmando que el modelo KNN con estas variables no logra capturar patrones claros para distinguir los cuatro niveles de satisfacción.
Técnica 3 - Clasificador Bayesiano
Como tercer método, se utilizó el clasificador Bayesiano debido a su enfoque probabilístico, el cual permite estimar la probabilidad de pertenencia a cada nivel de satisfacción. Este modelo aporta una perspectiva adicional al análisis ya que asume independencia entre variables y facilita la comparación con los otros métodos aplicados.
Aplicar el Clasificador Bayesiano
Como tercer método se utilizó el Clasificador Bayesiano (Naive Bayes) debido a su enfoque probabilístico, el cual permite estimar la probabilidad de pertenencia a cada nivel de satisfacción. Este modelo aporta una perspectiva adicional al análisis ya que asume independencia entre variables y facilita la comparación con los otros métodos aplicados. Las probabilidades del modelo reflejan la distribución observada en los datos de entrenamiento: nivel 1 con 18.71%, nivel 2 con 20.66%, nivel 3 con 31.21% y nivel 4 con 29.42%. Al revisar las probabilidades condicionales, se observa que las variables numéricas presentan medias y desviaciones estándar muy similares entre los cuatro niveles de satisfacción. Por ejemplo, la media de Age varía apenas entre 36.3 y 37.3 años entre clases, y MonthlyIncome oscila entre $6,230 y $6,515. Esta similitud entre clases explica en gran medida por qué el modelo tiene dificultades para discriminar, ya que el clasificador Bayesiano depende de que las distribuciones de las variables sean suficientemente distintas entre clases para poder asignar correctamente la probabilidad posterior más alta.
library(e1071)
modelo_nb <- naiveBayes(Satisfaction ~ ., data = entrenamiento)
modelo_nb##
## Naive Bayes Classifier for Discrete Predictors
##
## Call:
## naiveBayes.default(x = X, y = Y, laplace = laplace)
##
## A-priori probabilities:
## Y
## 1 2 3 4
## 0.1870748 0.2066327 0.3120748 0.2942177
##
## Conditional probabilities:
## Age
## Y [,1] [,2]
## 1 36.31818 8.789712
## 2 36.35391 8.813392
## 3 37.02997 8.828770
## 4 37.34971 9.841746
##
## Gender
## Y Female Male
## 1 0.4181818 0.5818182
## 2 0.3621399 0.6378601
## 3 0.4168937 0.5831063
## 4 0.4046243 0.5953757
##
## HourlyRate
## Y [,1] [,2]
## 1 64.70000 20.11976
## 2 67.50206 20.38359
## 3 64.72480 20.18529
## 4 66.78902 19.90001
##
## JobInvolvement
## Y [,1] [,2]
## 1 2.722727 0.7527313
## 2 2.674897 0.7196098
## 3 2.746594 0.6962688
## 4 2.765896 0.7263919
##
## MonthlyIncome
## Y [,1] [,2]
## 1 6230.464 4432.888
## 2 6418.255 4529.077
## 3 6514.967 4673.431
## 4 6457.890 4824.202
##
## NumCompaniesWorked
## Y [,1] [,2]
## 1 2.400000 2.256194
## 2 2.650206 2.442113
## 3 2.858311 2.494054
## 4 2.731214 2.635325
##
## PercentSalaryHike
## Y [,1] [,2]
## 1 15.40455 3.684470
## 2 15.45679 3.748441
## 3 15.07629 3.754729
## 4 15.15607 3.514596
##
## StockOptionLevel
## Y [,1] [,2]
## 1 0.8272727 0.8370321
## 2 0.7530864 0.7956109
## 3 0.8092643 0.8567452
## 4 0.7341040 0.8262673
##
## TotalWorkingYears
## Y [,1] [,2]
## 1 11.04545 7.459340
## 2 11.02881 7.024396
## 3 11.40599 7.784057
## 4 11.47399 8.420518
##
## TrainingTimesLastYear
## Y [,1] [,2]
## 1 2.840909 1.360620
## 2 2.744856 1.230100
## 3 2.822888 1.279822
## 4 2.803468 1.328218
##
## WorkLifeBalance
## Y [,1] [,2]
## 1 2.672727 0.7537921
## 2 2.810700 0.7020989
## 3 2.716621 0.6944916
## 4 2.783237 0.6910248
##
## YearsAtCompany
## Y [,1] [,2]
## 1 7.045455 5.861236
## 2 6.617284 5.561604
## 3 6.694823 5.951493
## 4 7.534682 6.787474
##
## YearsInCurrentRole
## Y [,1] [,2]
## 1 4.350000 3.556491
## 2 4.205761 3.593907
## 3 3.986376 3.480206
## 4 4.358382 3.667152
##
## YearsSinceLastPromotion
## Y [,1] [,2]
## 1 2.172727 3.110915
## 2 2.168724 3.023382
## 3 1.776567 2.836953
## 4 2.630058 3.660461
##
## YearsWithCurrManager
## Y [,1] [,2]
## 1 4.240909 3.524365
## 2 3.934156 3.468242
## 3 3.877384 3.523335
## 4 4.387283 3.642783# Predicción sobre el conjunto de prueba
pred_nb <- predict(modelo_nb, prueba, type = "class")
# Tabla de clasificación (matriz de confusión manual)
tt <- table(pred_nb, prueba_labels)
tt## prueba_labels
## pred_nb 1 2 3 4
## 1 2 2 5 6
## 2 9 6 10 6
## 3 28 39 56 52
## 4 17 13 21 22# Tasa de aciertos
TA <- (sum(diag(tt))) / sum(tt)
paste("Tasa de aciertos: ", round(TA, 4) * 100, "%", sep = "")## [1] "Tasa de aciertos: 29.25%"Validar la estabilidad del modelo
install.packages("naivebayes")
library(naivebayes)
set.seed(2025)
train_control <- trainControl(method = "cv", number = 5, savePredictions = TRUE)
NBC_cv <- train(Satisfaction ~ .,
data = Employee_IBM,
method = "naive_bayes",
trControl = train_control)
NBC_cv## Naive Bayes
##
## 1470 samples
## 15 predictor
## 4 classes: '1', '2', '3', '4'
##
## No pre-processing
## Resampling: Cross-Validated (5 fold)
## Summary of sample sizes: 1176, 1175, 1177, 1175, 1177
## Resampling results across tuning parameters:
##
## usekernel Accuracy Kappa
## FALSE 0.2918579 0.01327425
## TRUE 0.3142586 0.02111006
##
## Tuning parameter 'laplace' was held constant at a value of 0
## Tuning
## parameter 'adjust' was held constant at a value of 1
## Accuracy was used to select the optimal model using the largest value.
## The final values used for the model were laplace = 0, usekernel = TRUE
## and adjust = 1.# Matriz de confusión con predicciones guardadas por caret
confusionMatrix(NBC_cv$pred$pred, NBC_cv$pred$obs)## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3 4
## 1 60 51 80 69
## 2 24 21 44 46
## 3 311 356 539 478
## 4 157 178 255 271
##
## Overall Statistics
##
## Accuracy : 0.3031
## 95% CI : (0.2865, 0.32)
## No Information Rate : 0.3122
## P-Value [Acc > NIR] : 0.8632
##
## Kappa : 0.017
##
## Mcnemar's Test P-Value : <2e-16
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3 Class: 4
## Sensitivity 0.10870 0.034653 0.5871 0.31366
## Specificity 0.91625 0.951157 0.4337 0.71580
## Pos Pred Value 0.23077 0.155556 0.3201 0.31475
## Neg Pred Value 0.81642 0.791444 0.6982 0.71477
## Prevalence 0.18776 0.206122 0.3122 0.29388
## Detection Rate 0.02041 0.007143 0.1833 0.09218
## Detection Prevalence 0.08844 0.045918 0.5728 0.29286
## Balanced Accuracy 0.51247 0.492905 0.5104 0.51473Interpretación de los resultados finales
# Matriz de confusión detallada del conjunto de prueba
confusionMatrix(pred_nb, prueba_labels)## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3 4
## 1 2 2 5 6
## 2 9 6 10 6
## 3 28 39 56 52
## 4 17 13 21 22
##
## Overall Statistics
##
## Accuracy : 0.2925
## 95% CI : (0.2411, 0.3481)
## No Information Rate : 0.3129
## P-Value [Acc > NIR] : 0.7924
##
## Kappa : 0.0034
##
## Mcnemar's Test P-Value : 8.451e-11
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3 Class: 4
## Sensitivity 0.035714 0.10000 0.6087 0.25581
## Specificity 0.945378 0.89316 0.4109 0.75481
## Pos Pred Value 0.133333 0.19355 0.3200 0.30137
## Neg Pred Value 0.806452 0.79468 0.6975 0.71041
## Prevalence 0.190476 0.20408 0.3129 0.29252
## Detection Rate 0.006803 0.02041 0.1905 0.07483
## Detection Prevalence 0.051020 0.10544 0.5952 0.24830
## Balanced Accuracy 0.490546 0.49658 0.5098 0.50531