CARET - Heart
Danara Esparza A00840602
2026-08-28
Teoría
El paquete CARET (Classification and Regression Training) es un paquete integral con una amplia variedad de algoritmos para el aprendizaje automático.
Instalar paquetes y llamar librerías
#install.packages("caret") # algoritmos de aprendizaje automático
library(caret)
#install.packages("ggplot2") # graficas
library(ggplot2)
#install.packages("lattice") #crear gráficos
library(lattice)
#install.packages("readxl") # para cargar archivos excel
library(readxl)
#install.packages("DataExplorer") #análisis descriptivo
library(DataExplorer)
#install.packages("kernlab")
library(kernlab)
#install.packages("randomForest")
library(randomForest)
#install.packages("rpart")
library(rpart)
#install.packages("nnet")
library(nnet)Importar base de datos
df <- read_excel("/Users/danaraesparzamacias/Desktop/Concentracion AI /heart.xlsx")
# Convertir la variable target a FACTOR para modelo de clasificación
df$target <- as.factor(df$target) Entender base de datos
summary(df)## age sex cp trestbps
## Min. :29.00 Min. :0.0000 Min. :0.0000 Min. : 94.0
## 1st Qu.:48.00 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:120.0
## Median :56.00 Median :1.0000 Median :1.0000 Median :130.0
## Mean :54.43 Mean :0.6956 Mean :0.9424 Mean :131.6
## 3rd Qu.:61.00 3rd Qu.:1.0000 3rd Qu.:2.0000 3rd Qu.:140.0
## Max. :77.00 Max. :1.0000 Max. :3.0000 Max. :200.0
## chol fbs restecg thalach
## Min. :126 Min. :0.0000 Min. :0.0000 Min. : 71.0
## 1st Qu.:211 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:132.0
## Median :240 Median :0.0000 Median :1.0000 Median :152.0
## Mean :246 Mean :0.1493 Mean :0.5298 Mean :149.1
## 3rd Qu.:275 3rd Qu.:0.0000 3rd Qu.:1.0000 3rd Qu.:166.0
## Max. :564 Max. :1.0000 Max. :2.0000 Max. :202.0
## exang oldpeak slope ca
## Min. :0.0000 Min. :0.000 Min. :0.000 Min. :0.0000
## 1st Qu.:0.0000 1st Qu.:0.000 1st Qu.:1.000 1st Qu.:0.0000
## Median :0.0000 Median :0.800 Median :1.000 Median :0.0000
## Mean :0.3366 Mean :1.072 Mean :1.385 Mean :0.7541
## 3rd Qu.:1.0000 3rd Qu.:1.800 3rd Qu.:2.000 3rd Qu.:1.0000
## Max. :1.0000 Max. :6.200 Max. :2.000 Max. :4.0000
## thal target
## Min. :0.000 0:499
## 1st Qu.:2.000 1:526
## Median :2.000
## Mean :2.324
## 3rd Qu.:3.000
## Max. :3.000str(df)## tibble [1,025 × 14] (S3: tbl_df/tbl/data.frame)
## $ age : num [1:1025] 52 53 70 61 62 58 58 55 46 54 ...
## $ sex : num [1:1025] 1 1 1 1 0 0 1 1 1 1 ...
## $ cp : num [1:1025] 0 0 0 0 0 0 0 0 0 0 ...
## $ trestbps: num [1:1025] 125 140 145 148 138 100 114 160 120 122 ...
## $ chol : num [1:1025] 212 203 174 203 294 248 318 289 249 286 ...
## $ fbs : num [1:1025] 0 1 0 0 1 0 0 0 0 0 ...
## $ restecg : num [1:1025] 1 0 1 1 1 0 2 0 0 0 ...
## $ thalach : num [1:1025] 168 155 125 161 106 122 140 145 144 116 ...
## $ exang : num [1:1025] 0 1 1 0 0 0 0 1 0 1 ...
## $ oldpeak : num [1:1025] 1 3.1 2.6 0 1.9 1 4.4 0.8 0.8 3.2 ...
## $ slope : num [1:1025] 2 0 0 2 1 1 0 1 2 1 ...
## $ ca : num [1:1025] 2 0 0 1 3 0 3 1 0 2 ...
## $ thal : num [1:1025] 3 3 3 3 2 2 1 3 3 2 ...
## $ target : Factor w/ 2 levels "0","1": 1 1 1 1 1 2 1 1 1 1 ...#create_report(df)
plot_missing(df) 
plot_histogram(df)
plot_correlation(df)
Partir la base de datos
# Normalmente 80-20 o 70-30
set.seed(123)
renglones_entrenamiento <- createDataPartition(df$target, p=0.8, list= FALSE)
entrenamiento <- df[renglones_entrenamiento, ] #cuando despues de la coma no hay nada, considera todos los valores
prueba <- df[-renglones_entrenamiento, ] Distintos tipos de métodos para Modelar
Los métodos más utilizados para modelar aprendizaje automático son:
- SVM: Support Vector Machine o Máquina de Vectores de Soporte. Hay varios subtipos: Lineal (svnLinear), Radial (svmRadial), Polinómico (svmPoly), etc.
- Árbol de decisión: nnet
- Random Forest o bosques aleatorios: rf
Modelo 1. SVM Lineal
modelo1 <- train(target ~ ., data = entrenamiento,
method = "svmLinear",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
tuneGrid = data.frame(C = 1)
)
resultado_entrenamiento1 <- predict(modelo1, entrenamiento)
resultado_prueba1 <- predict(modelo1, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre1 <- confusionMatrix(resultado_entrenamiento1, entrenamiento$target)
mcre1## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 301 37
## 1 99 384
##
## Accuracy : 0.8343
## 95% CI : (0.8071, 0.8592)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.6672
##
## Mcnemar's Test P-Value : 1.689e-07
##
## Sensitivity : 0.7525
## Specificity : 0.9121
## Pos Pred Value : 0.8905
## Neg Pred Value : 0.7950
## Prevalence : 0.4872
## Detection Rate : 0.3666
## Detection Prevalence : 0.4117
## Balanced Accuracy : 0.8323
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp1 <- confusionMatrix(resultado_prueba1, prueba$target)
mcrp1## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 78 10
## 1 21 95
##
## Accuracy : 0.848
## 95% CI : (0.7913, 0.8944)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : < 2e-16
##
## Kappa : 0.6948
##
## Mcnemar's Test P-Value : 0.07249
##
## Sensitivity : 0.7879
## Specificity : 0.9048
## Pos Pred Value : 0.8864
## Neg Pred Value : 0.8190
## Prevalence : 0.4853
## Detection Rate : 0.3824
## Detection Prevalence : 0.4314
## Balanced Accuracy : 0.8463
##
## 'Positive' Class : 0
## Modelo 2. SVM Radial
modelo2 <- train(target ~ ., data = entrenamiento,
method = "svmRadial",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
tuneGrid = data.frame(sigma = 0.1, C = 1)
)
resultado_entrenamiento2 <- predict(modelo2, entrenamiento)
resultado_prueba2 <- predict(modelo2, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre2 <- confusionMatrix(resultado_entrenamiento2, entrenamiento$target)
mcre2## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 385 7
## 1 15 414
##
## Accuracy : 0.9732
## 95% CI : (0.9597, 0.9831)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.9463
##
## Mcnemar's Test P-Value : 0.1356
##
## Sensitivity : 0.9625
## Specificity : 0.9834
## Pos Pred Value : 0.9821
## Neg Pred Value : 0.9650
## Prevalence : 0.4872
## Detection Rate : 0.4689
## Detection Prevalence : 0.4775
## Balanced Accuracy : 0.9729
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp2 <- confusionMatrix(resultado_prueba2, prueba$target)
mcrp2## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 95 5
## 1 4 100
##
## Accuracy : 0.9559
## 95% CI : (0.9179, 0.9796)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.9117
##
## Mcnemar's Test P-Value : 1
##
## Sensitivity : 0.9596
## Specificity : 0.9524
## Pos Pred Value : 0.9500
## Neg Pred Value : 0.9615
## Prevalence : 0.4853
## Detection Rate : 0.4657
## Detection Prevalence : 0.4902
## Balanced Accuracy : 0.9560
##
## 'Positive' Class : 0
## Modelo 3. SVM Polinómico
modelo3 <- train(target ~ ., data = entrenamiento,
method = "svmPoly",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
tuneGrid = data.frame(degree = 2, scale = 1, C = 1)
)
resultado_entrenamiento3 <- predict(modelo3, entrenamiento)
resultado_prueba3 <- predict(modelo3, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre3 <- confusionMatrix(resultado_entrenamiento3, entrenamiento$target)
mcre3## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 398 1
## 1 2 420
##
## Accuracy : 0.9963
## 95% CI : (0.9894, 0.9992)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.9927
##
## Mcnemar's Test P-Value : 1
##
## Sensitivity : 0.9950
## Specificity : 0.9976
## Pos Pred Value : 0.9975
## Neg Pred Value : 0.9953
## Prevalence : 0.4872
## Detection Rate : 0.4848
## Detection Prevalence : 0.4860
## Balanced Accuracy : 0.9963
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp3 <- confusionMatrix(resultado_prueba3, prueba$target)
mcrp3## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 97 2
## 1 2 103
##
## Accuracy : 0.9804
## 95% CI : (0.9506, 0.9946)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.9608
##
## Mcnemar's Test P-Value : 1
##
## Sensitivity : 0.9798
## Specificity : 0.9810
## Pos Pred Value : 0.9798
## Neg Pred Value : 0.9810
## Prevalence : 0.4853
## Detection Rate : 0.4755
## Detection Prevalence : 0.4853
## Balanced Accuracy : 0.9804
##
## 'Positive' Class : 0
## Modelo 4. Árbol de decisión
modelo4 <- train(target ~ ., data = entrenamiento,
method = "rpart",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
tuneLength = 10
)
resultado_entrenamiento4 <- predict(modelo4, entrenamiento)
resultado_prueba4 <- predict(modelo4, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre4 <- confusionMatrix(resultado_entrenamiento4, entrenamiento$target)
mcre4## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 360 29
## 1 40 392
##
## Accuracy : 0.916
## 95% CI : (0.8948, 0.934)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.8317
##
## Mcnemar's Test P-Value : 0.2286
##
## Sensitivity : 0.9000
## Specificity : 0.9311
## Pos Pred Value : 0.9254
## Neg Pred Value : 0.9074
## Prevalence : 0.4872
## Detection Rate : 0.4385
## Detection Prevalence : 0.4738
## Balanced Accuracy : 0.9156
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp4 <- confusionMatrix(resultado_prueba4, prueba$target)
mcrp4 ## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 81 7
## 1 18 98
##
## Accuracy : 0.8775
## 95% CI : (0.8244, 0.9191)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.7539
##
## Mcnemar's Test P-Value : 0.0455
##
## Sensitivity : 0.8182
## Specificity : 0.9333
## Pos Pred Value : 0.9205
## Neg Pred Value : 0.8448
## Prevalence : 0.4853
## Detection Rate : 0.3971
## Detection Prevalence : 0.4314
## Balanced Accuracy : 0.8758
##
## 'Positive' Class : 0
## Modelo 5. Bosques Aleatorios
modelo5 <- train(target ~ ., data = entrenamiento,
method = "rf",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
tuneGrid = expand.grid(mtry = c(2, 4, 6, 8))
)
resultado_entrenamiento5 <- predict(modelo5, entrenamiento)
resultado_prueba5 <- predict(modelo5, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre5 <- confusionMatrix(resultado_entrenamiento5, entrenamiento$target)
mcre5## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 400 0
## 1 0 421
##
## Accuracy : 1
## 95% CI : (0.9955, 1)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 1
##
## Mcnemar's Test P-Value : NA
##
## Sensitivity : 1.0000
## Specificity : 1.0000
## Pos Pred Value : 1.0000
## Neg Pred Value : 1.0000
## Prevalence : 0.4872
## Detection Rate : 0.4872
## Detection Prevalence : 0.4872
## Balanced Accuracy : 1.0000
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp5 <- confusionMatrix(resultado_prueba5, prueba$target)
mcrp5## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 99 0
## 1 0 105
##
## Accuracy : 1
## 95% CI : (0.9821, 1)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 1
##
## Mcnemar's Test P-Value : NA
##
## Sensitivity : 1.0000
## Specificity : 1.0000
## Pos Pred Value : 1.0000
## Neg Pred Value : 1.0000
## Prevalence : 0.4853
## Detection Rate : 0.4853
## Detection Prevalence : 0.4853
## Balanced Accuracy : 1.0000
##
## 'Positive' Class : 0
## Modelo 6. Redes neuronalea
modelo6 <- train(target ~ ., data = entrenamiento,
method = "nnet",
preProcess = c("scale", "center"),
trControl = trainControl(method = "cv", number = 10),
trace = FALSE
)
resultado_entrenamiento6 <- predict(modelo6, entrenamiento)
resultado_prueba6 <- predict(modelo6, prueba)
#Matriz de confusión
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación
#Matriz de confusión del resultado de entrenamiento
mcre6 <- confusionMatrix(resultado_entrenamiento6, entrenamiento$target)
mcre6## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 386 18
## 1 14 403
##
## Accuracy : 0.961
## 95% CI : (0.9454, 0.9732)
## No Information Rate : 0.5128
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.922
##
## Mcnemar's Test P-Value : 0.5959
##
## Sensitivity : 0.9650
## Specificity : 0.9572
## Pos Pred Value : 0.9554
## Neg Pred Value : 0.9664
## Prevalence : 0.4872
## Detection Rate : 0.4702
## Detection Prevalence : 0.4921
## Balanced Accuracy : 0.9611
##
## 'Positive' Class : 0
## #Matriz de confusión del resultado de la prueba
mcrp6 <- confusionMatrix(resultado_prueba6, prueba$target)
mcrp6## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 98 5
## 1 1 100
##
## Accuracy : 0.9706
## 95% CI : (0.9371, 0.9891)
## No Information Rate : 0.5147
## P-Value [Acc > NIR] : <2e-16
##
## Kappa : 0.9412
##
## Mcnemar's Test P-Value : 0.2207
##
## Sensitivity : 0.9899
## Specificity : 0.9524
## Pos Pred Value : 0.9515
## Neg Pred Value : 0.9901
## Prevalence : 0.4853
## Detection Rate : 0.4804
## Detection Prevalence : 0.5049
## Balanced Accuracy : 0.9711
##
## 'Positive' Class : 0
## Tabla de resultados
resultados <- data.frame(
"Medida" = c("Entrenamiento", "Prueba"),
"svmLinear" = c(mcre1$overall["Accuracy"], mcrp1$overall["Accuracy"]),
"svmRadial" = c(mcre2$overall["Accuracy"], mcrp2$overall["Accuracy"]),
"svmPoly" = c(mcre3$overall["Accuracy"], mcrp3$overall["Accuracy"]),
"rpart" = c(mcre4$overall["Accuracy"], mcrp4$overall["Accuracy"]),
"rf" = c(mcre5$overall["Accuracy"], mcrp5$overall["Accuracy"]),
"nnet" = c(mcre6$overall["Accuracy"], mcrp6$overall["Accuracy"])
)
resultados## Medida svmLinear svmRadial svmPoly rpart rf nnet
## 1 Entrenamiento 0.8343484 0.9732034 0.9963459 0.9159562 1 0.9610231
## 2 Prueba 0.8480392 0.9558824 0.9803922 0.8774510 1 0.9705882Conclusión
En conclusión, el modelo de Bosques Aleatorios (rf) es el recomendado para la predicción de cardiopatías en este conjunto de datos, al alcanzar una precisión (Accuracy) perfecta del 100% en la evaluación con los datos de prueba.
---
title: "CARET - Heart"
author: "Danara Esparza A00840602"
date: "`r Sys.Date()`"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo
---

![](https://www.infobae.com/resizer/v2/Q3KQNO6NZVGAXAIJXG4S7AB2RI.jpg?auth=35966a4b710ad0b0909bbeeda408a1c263426d249f3e5aef40f96ab7c1abf92d&smart=true&width=1200&height=675&quality=85) 

# <span style= "color: blue"> Teoría </span> 
El paquete **CARET (Classification and Regression Training)** es un paquete integral con una amplia variedad de algoritmos para el aprendizaje automático.

# <span style= "color: blue"> Instalar paquetes y llamar librerías </span>
```{r message=FALSE, warning=FALSE}
#install.packages("caret") # algoritmos de aprendizaje automático
library(caret)

#install.packages("ggplot2") # graficas
library(ggplot2)

#install.packages("lattice") #crear gráficos
library(lattice)

#install.packages("readxl") # para cargar archivos excel
library(readxl)

#install.packages("DataExplorer") #análisis descriptivo
library(DataExplorer) 

#install.packages("kernlab")
library(kernlab)

#install.packages("randomForest")
library(randomForest)

#install.packages("rpart")
library(rpart)

#install.packages("nnet")
library(nnet)
```

# <span style= "color: blue"> Importar base de datos </span>
```{r}
df <- read_excel("/Users/danaraesparzamacias/Desktop/Concentracion AI /heart.xlsx")

# Convertir la variable target a FACTOR para modelo de clasificación
df$target <- as.factor(df$target) 

```

# <span style= "color: blue"> Entender base de datos </span> 
```{r}
summary(df)
str(df)
#create_report(df) 

plot_missing(df) 
plot_histogram(df)
plot_correlation(df)

```

# <span style= "color: blue"> Partir la base de datos </span>
```{r}
# Normalmente 80-20 o 70-30
set.seed(123)
renglones_entrenamiento <- createDataPartition(df$target, p=0.8, list= FALSE) 
entrenamiento <- df[renglones_entrenamiento, ] #cuando despues de la coma no hay nada, considera todos los valores 
prueba <- df[-renglones_entrenamiento, ] 

```


# <span style= "color: blue"> Distintos tipos de métodos para Modelar </span>
Los métodos más utilizados para modelar aprendizaje automático son: 

* **SVM**: *Support Vector Machine* o Máquina de Vectores de Soporte. Hay varios subtipos: Lineal (svnLinear), Radial (svmRadial), Polinómico (svmPoly), etc. 
* **Árbol de decisión**: nnet
* **Random Forest** o bosques aleatorios: rf

# <span style= "color: blue"> Modelo 1. SVM Lineal </span>
```{r}
modelo1 <- train(target ~ ., data = entrenamiento,
                 method = "svmLinear",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 tuneGrid = data.frame(C = 1)
                 ) 

resultado_entrenamiento1 <- predict(modelo1, entrenamiento)
resultado_prueba1 <- predict(modelo1, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre1 <- confusionMatrix(resultado_entrenamiento1, entrenamiento$target)
mcre1

#Matriz de confusión del resultado de la prueba
mcrp1 <- confusionMatrix(resultado_prueba1, prueba$target)
mcrp1
```
# <span style= "color: blue"> Modelo 2. SVM Radial </span>
```{r}
modelo2 <- train(target ~ ., data = entrenamiento,
                 method = "svmRadial",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 tuneGrid = data.frame(sigma = 0.1, C = 1)
                 ) 

resultado_entrenamiento2 <- predict(modelo2, entrenamiento)
resultado_prueba2 <- predict(modelo2, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre2 <- confusionMatrix(resultado_entrenamiento2, entrenamiento$target)
mcre2

#Matriz de confusión del resultado de la prueba
mcrp2 <- confusionMatrix(resultado_prueba2, prueba$target)
mcrp2
```

# <span style= "color: blue"> Modelo 3. SVM Polinómico </span>
```{r}
modelo3 <- train(target ~ ., data = entrenamiento,
                 method = "svmPoly",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 tuneGrid = data.frame(degree = 2, scale = 1, C = 1)
                 ) 

resultado_entrenamiento3 <- predict(modelo3, entrenamiento)
resultado_prueba3 <- predict(modelo3, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre3 <- confusionMatrix(resultado_entrenamiento3, entrenamiento$target)
mcre3

#Matriz de confusión del resultado de la prueba
mcrp3 <- confusionMatrix(resultado_prueba3, prueba$target)
mcrp3
```
# <span style= "color: blue"> Modelo 4. Árbol de decisión </span>
```{r}
modelo4 <- train(target ~ ., data = entrenamiento,
                 method = "rpart",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 tuneLength = 10
                 ) 

resultado_entrenamiento4 <- predict(modelo4, entrenamiento)
resultado_prueba4 <- predict(modelo4, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre4 <- confusionMatrix(resultado_entrenamiento4, entrenamiento$target)
mcre4

#Matriz de confusión del resultado de la prueba
mcrp4 <- confusionMatrix(resultado_prueba4, prueba$target)
mcrp4 
```

# <span style= "color: blue"> Modelo 5. Bosques Aleatorios </span>
```{r}
modelo5 <- train(target ~ ., data = entrenamiento,
                 method = "rf",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 tuneGrid = expand.grid(mtry = c(2, 4, 6, 8))
                 ) 

resultado_entrenamiento5 <- predict(modelo5, entrenamiento)
resultado_prueba5 <- predict(modelo5, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre5 <- confusionMatrix(resultado_entrenamiento5, entrenamiento$target)
mcre5

#Matriz de confusión del resultado de la prueba
mcrp5 <- confusionMatrix(resultado_prueba5, prueba$target)
mcrp5
```
# <span style= "color: blue"> Modelo 6. Redes neuronalea </span>
```{r}
modelo6 <- train(target ~ ., data = entrenamiento,
                 method = "nnet",
                 preProcess = c("scale", "center"),
                 trControl = trainControl(method = "cv", number = 10),
                 trace = FALSE
                 ) 

resultado_entrenamiento6 <- predict(modelo6, entrenamiento)
resultado_prueba6 <- predict(modelo6, prueba) 

#Matriz de confusión 
# Es una tabla de evaluación que desglosa el rendimiento del modelo de clasificación

#Matriz de confusión del resultado de entrenamiento 
mcre6 <- confusionMatrix(resultado_entrenamiento6, entrenamiento$target)
mcre6

#Matriz de confusión del resultado de la prueba
mcrp6 <- confusionMatrix(resultado_prueba6, prueba$target)
mcrp6
```
# <span style= "color: blue"> Tabla de resultados </span>
```{r}
resultados <- data.frame(
  "Medida" = c("Entrenamiento", "Prueba"),
  "svmLinear" = c(mcre1$overall["Accuracy"], mcrp1$overall["Accuracy"]),
  "svmRadial" = c(mcre2$overall["Accuracy"], mcrp2$overall["Accuracy"]),
  "svmPoly"   = c(mcre3$overall["Accuracy"], mcrp3$overall["Accuracy"]),
  "rpart"     = c(mcre4$overall["Accuracy"], mcrp4$overall["Accuracy"]),
  "rf"        = c(mcre5$overall["Accuracy"], mcrp5$overall["Accuracy"]),
  "nnet"      = c(mcre6$overall["Accuracy"], mcrp6$overall["Accuracy"])
)
resultados
```

# <span style= "color: blue"> Conclusión </span>
En conclusión, el modelo de **Bosques Aleatorios (rf)** es el recomendado para la predicción de cardiopatías en este conjunto de datos, al alcanzar una precisión (*Accuracy*) perfecta del **100%** en la evaluación con los datos de prueba. 
