#cargar las librerías necesarias
library(ggplot2)
library(ggplot2)
library(MASS) 
library(mosaic) 
library(knitr)
library(kableExtra)
library(modeest)
library(e1071)
library(nortest)
library(lmtest)
library(palmerpenguins)
library(caret) 
library(rpart)
library(rpart.plot)

Objetivo :

Predecir qué especie de pinguino es

Análisis exploratorio

summary(penguins)
      species          island    bill_length_mm  bill_depth_mm  
 Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
 Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
 Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
                                 Mean   :43.92   Mean   :17.15  
                                 3rd Qu.:48.50   3rd Qu.:18.70  
                                 Max.   :59.60   Max.   :21.50  
                                 NA's   :2       NA's   :2      
 flipper_length_mm  body_mass_g       sex           year     
 Min.   :172.0     Min.   :2700   female:165   Min.   :2007  
 1st Qu.:190.0     1st Qu.:3550   male  :168   1st Qu.:2007  
 Median :197.0     Median :4050   NA's  : 11   Median :2008  
 Mean   :200.9     Mean   :4202                Mean   :2008  
 3rd Qu.:213.0     3rd Qu.:4750                3rd Qu.:2009  
 Max.   :231.0     Max.   :6300                Max.   :2009  
 NA's   :2         NA's   :2                                 
# Eliminar todas las filas que contienen NA
penguins_limpios <- na.omit(penguins)
sapply(penguins, function(x) sum(is.na(x)))
          species            island    bill_length_mm     bill_depth_mm 
                0                 0                 2                 2 
flipper_length_mm       body_mass_g               sex              year 
                2                 2                11                 0 
# Consultar la estructura
str(penguins_limpios)
tibble [333 × 8] (S3: tbl_df/tbl/data.frame)
 $ species          : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ island           : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
 $ bill_length_mm   : num [1:333] 39.1 39.5 40.3 36.7 39.3 38.9 39.2 41.1 38.6 34.6 ...
 $ bill_depth_mm    : num [1:333] 18.7 17.4 18 19.3 20.6 17.8 19.6 17.6 21.2 21.1 ...
 $ flipper_length_mm: int [1:333] 181 186 195 193 190 181 195 182 191 198 ...
 $ body_mass_g      : int [1:333] 3750 3800 3250 3450 3650 3625 4675 3200 3800 4400 ...
 $ sex              : Factor w/ 2 levels "female","male": 2 1 1 1 2 1 2 1 2 2 ...
 $ year             : int [1:333] 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...
 - attr(*, "na.action")= 'omit' Named int [1:11] 4 9 10 11 12 48 179 219 257 269 ...
  ..- attr(*, "names")= chr [1:11] "4" "9" "10" "11" ...
# Seleccionar las variables de interés
Pinguinos <- penguins[, c("species","island", "sex", 
                         "body_mass_g", "flipper_length_mm", "bill_length_mm","bill_depth_mm")]

Dividir los datos en conjunto de entrenamiento y prueba

set.seed(2025)


folds <- createFolds(penguins_limpios$species, k = 5)

# Crear conjunto de entrenamiento (80 % aprox.)
Pinguinos_entrenamiento <- penguins_limpios[-folds[[5]], ]

# Crear conjunto de prueba (20 % aprox.)
Pinguinos_prueba <- penguins_limpios[folds[[5]], ]

Construimos el modelo ajustado con los datos de entrenamiento.

modelopinguinos <- rpart(species ~ ., data = Pinguinos_entrenamiento, method = "class")
modelopinguinos
n= 266 

node), split, n, loss, yval, (yprob)
      * denotes terminal node

1) root 266 150 Adelie (0.436090226 0.206766917 0.357142857)  
  2) flipper_length_mm< 206.5 168  54 Adelie (0.678571429 0.315476190 0.005952381)  
    4) bill_length_mm< 43.35 114   4 Adelie (0.964912281 0.035087719 0.000000000) *
    5) bill_length_mm>=43.35 54   5 Chinstrap (0.074074074 0.907407407 0.018518519) *
  3) flipper_length_mm>=206.5 98   4 Gentoo (0.020408163 0.020408163 0.959183673) *
rpart.plot(
  modelopinguinos, 
  digits = -4,             # Positivo para mostrar decimales correctos (ej. 3 decimales)
  type = 2,
  extra = 104,            # Muestra la clase predicha, n y las probabilidades de cada clase
  box.palette = "RdYlGn", 
  fallen.leaves = TRUE, 
  branch.lty = 3,        
  main = "Modelo de Árbol de Decisión: 
  Predicción de especies de pinguinos:Gentoo, Adelie y Chinstrap"
)

library(ggplot2)

ggplot(penguins_limpios,
       aes(x = flipper_length_mm,
           y = bill_length_mm,
           color = species)) +
  geom_point(size = 3, alpha = 0.8) +
  labs(
    title = "Distribución de pingüinos según sus características físicas",
    subtitle = "Comparación de las especies Adelie, Chinstrap y Gentoo",
    x = "Longitud de la aleta (mm)",
    y = "Longitud del pico (mm)",
    color = "Especie"
  ) +
  theme_minimal() +
  scale_color_manual(
    values = c(
      "Adelie" = "#F39A38",
      "Chinstrap" = "#2B5C8F",
      "Gentoo" = "#68B984"
    )
  )