Caret - Heart
Mayte Avalos Guzuman
2026-08-31
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("ipred")
library(ipred)Importar base de datos
#file.choose()
df <- read_excel("/Users/mayteavalos/Downloads/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, ya que tiene una precisión (Accuracy) perfecta del 100% en la evaluación con los datos de prueba.
---
title: "Caret - Heart"
author: "Mayte Avalos Guzuman"
date: "`r Sys.Date()`"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo

---
![](https://media.tenor.com/rSFri0KBahYAAAAM/heart-beat.gif)

# <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("ipred")
library(ipred)
```

# <span style= "color: blue"> Importar base de datos </span>
```{r}
#file.choose()
df <- read_excel("/Users/mayteavalos/Downloads/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, ya que tiene una precisión **(Accuracy)** perfecta del **100%** en la evaluación con los datos de prueba. 
