En este reporte se utilizará la base de datos wine disponible en la paquetería rattle, que contiene la información de 178 muestras de vino de un estudio realizado en Italia, los cuales fueron sometidos a 13 analísis químicos y se clasificaron en tres tipos de vinos.
La descripción de los 13 componentes químicos:
A. Componentes quimicos
Alcohol: Medida no especificada de concentración de alcohol en el vino.
Malic: Ácido málico, contribuye a la acidez del vino y a sus características de sabor,
Ash: Cenizas, cantidad de residuo órganico después de incinerar una muestra de vino.
Alcalinity: Alcalinidad de las cenizas, mide el residuo mineral después de la incineración.
Magnesium: Representa la concentración de magnesio en una muestra.
B. Compuestos fenólicos
Phenols: Representa la concentración total de compuestos fenólicos.
Flavanoids: Familia de compuestos fenólicos, relacionados con el color, sabor y la astringencia del vino.
Nonflavanoids: Cantidad de químicos que no pertenecen a la familia flavanoids.
Proanthocyanins: Contribuyen a la astringencia y estructura del vino.
C. Características de color y composición
Color: Mide la intensidad de la coloración del vino, distingue diferentes propiedades cromáticas.
Hue: Tonalidad, variación del color de vino.
Dilution: Indicador relacionado con la composición fenólica del vino.
Proline: Mide la concentración de aminoácido presente en las uvas y el vino
Se considerará como la variable respuesta \(Y\) al tipo de vino; es decir, se desea estudiar si a partir del resto de las 13 variables es posible predecir el tipo de vino (I, II, III).
Además, la base de datos no cuenta con datos faltantes.
summary(wine)
Type Alcohol Malic Ash Alcalinity
1:59 Min. :11.03 Min. :0.740 Min. :1.360 Min. :10.60
2:71 1st Qu.:12.36 1st Qu.:1.603 1st Qu.:2.210 1st Qu.:17.20
3:48 Median :13.05 Median :1.865 Median :2.360 Median :19.50
Mean :13.00 Mean :2.336 Mean :2.367 Mean :19.49
3rd Qu.:13.68 3rd Qu.:3.083 3rd Qu.:2.558 3rd Qu.:21.50
Max. :14.83 Max. :5.800 Max. :3.230 Max. :30.00
Magnesium Phenols Flavanoids Nonflavanoids
Min. : 70.00 Min. :0.980 Min. :0.340 Min. :0.1300
1st Qu.: 88.00 1st Qu.:1.742 1st Qu.:1.205 1st Qu.:0.2700
Median : 98.00 Median :2.355 Median :2.135 Median :0.3400
Mean : 99.74 Mean :2.295 Mean :2.029 Mean :0.3619
3rd Qu.:107.00 3rd Qu.:2.800 3rd Qu.:2.875 3rd Qu.:0.4375
Max. :162.00 Max. :3.880 Max. :5.080 Max. :0.6600
Proanthocyanins Color Hue Dilution
Min. :0.410 Min. : 1.280 Min. :0.4800 Min. :1.270
1st Qu.:1.250 1st Qu.: 3.220 1st Qu.:0.7825 1st Qu.:1.938
Median :1.555 Median : 4.690 Median :0.9650 Median :2.780
Mean :1.591 Mean : 5.058 Mean :0.9574 Mean :2.612
3rd Qu.:1.950 3rd Qu.: 6.200 3rd Qu.:1.1200 3rd Qu.:3.170
Max. :3.580 Max. :13.000 Max. :1.7100 Max. :4.000
Proline
Min. : 278.0
1st Qu.: 500.5
Median : 673.5
Mean : 746.9
3rd Qu.: 985.0
Max. :1680.0
3. Construcción del árbol de decisiones
Paso 1. Dividir los datos en conjunto de entrenamiento y prueba
set.seed(2025)folds <-createFolds(wine$Type, k =5)entrenamiento <- wine[-folds[[5]],]prueba <- wine[folds[[5]],]
Paso 2. Construir el modelo ajustado con datos de entrenamiento
Se utilizará para ello el modelo CART.
modelo1 <-rpart(Type ~ ., data = entrenamiento, method ="class")modelo1
Podemos observar en forma de tabla, las filas la clasificación real y en las columnas la predicción. La tasa de aciertos del modelo respecto a las observaciones de entrenamiento sería:
TAP <-sum(diag(table))/sum(table) paste0("Tasa de aciertos con los datos de prueba: ", round(TAP,4)*100, "%", sep="")
[1] "Tasa de aciertos con los datos de prueba: 91.43%"
Encontramos que el modelo logra predecir aproximadamente un 91% los datos de prueba.
Gráfico de decisión
A partir del modelo validado, el gráfico de decisión correspondiente:
Interpretación del árbol de decisión
Las variables consideradas en el modelo Color, Flavanoids y Proline.
NODO RAÍZ
Observamos la presencia del 100% de las observaciones, donde el 32.87% pertenecen tipo de vino 1, el 39.86% al tipo 2, y el 27.27% al tipo 3.
RAMA IZQUIERDA (Muestras con Color\(\geq 3.82\)):
La variable que el método CART elige para la primera decisión “color”.
La sub-rama izquierda se crea apartir de si el color es mayor o igual a 3.82. En esta, se encuentran el 65.03% de las observaciones totales,donde la proporción de los tipos de vino 1,2 y 3 que la componen, es de 0.4839, 0.0968 y 0.4194 respectivamente.
Segundo corte (Flavanoids\(\geq 1.4\)):
Se desprenden dos nuevas a partir de la variable “Flavanoids”. La izquierda se forma con aquellas observaciones cuyo Flavanoids es mayor o igual a 1.4. En esta se encuentran el 37.76% de observaciones totales, donde la proporción de tipo 1 y tipo 2, es de 0.8333 y 0.1667 respectivamente.
En el lado derecho, se encuentran las observaciones cuyo Flavanoids es menor a 1.4, siendo estas el 27.27% del total, donde, obtenemos nuestro primer nodo puro, pues todas ellas son del tipo 3.
Tercer corte (Proline\(\geq 725\)):
La rama izquierda incluye a aquellas observaciones con “Proline” mayor o igual a 725. Esta contiene al 30.77% de las observaciones totales. Además, conseguimos nuestro segundo nodo puro dado que todas estas observaciones pertenecen al tipo 1.
Por último, aquellas observaciones cuyo proline es menor a 725 se incluyen en la rama derecha, la cual contiene al 6.99% del total. La proporción de observaciones de tipo 1 y 2 es de 0.1 y 0.9 respectivamente.
RAMA DERECHA (Muestras con color\(< 3.82\)):
La sub-rama derecha engloba a las observaciones cuyo color es menor a 3.82, compuesta por el 34.97% de las observaviones totales. De esta sub.rama, el 0.0400 de observaciones pertenecen al tipo 1 y el 0.96 del tipo 2, en términos de proporción. A pesar de que no es un nodo puro, contiene una proporción muy pequeña del tipo 1.
Cierre
Tipo <- wine[,c("Color","Flavanoids","Proline","Type")]Tipo