Árbol de decisión: Modelo de Vinos

Author

Ángel Colli & Beatriz Lavadores

1. Introducción

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
  1. Alcohol: Medida no especificada de concentración de alcohol en el vino.
  1. Malic: Ácido málico, contribuye a la acidez del vino y a sus características de sabor,
  1. Ash: Cenizas, cantidad de residuo órganico después de incinerar una muestra de vino.
  1. Alcalinity: Alcalinidad de las cenizas, mide el residuo mineral después de la incineración.
  1. Magnesium: Representa la concentración de magnesio en una muestra.
B. Compuestos fenólicos
  1. Phenols: Representa la concentración total de compuestos fenólicos.
  1. Flavanoids: Familia de compuestos fenólicos, relacionados con el color, sabor y la astringencia del vino.
  1. Nonflavanoids: Cantidad de químicos que no pertenecen a la familia flavanoids.
  1. Proanthocyanins: Contribuyen a la astringencia y estructura del vino.
C. Características de color y composición
  1. Color: Mide la intensidad de la coloración del vino, distingue diferentes propiedades cromáticas.
  1. Hue: Tonalidad, variación del color de vino.
  1. Dilution: Indicador relacionado con la composición fenólica del vino.
  1. Proline: Mide la concentración de aminoácido presente en las uvas y el vino

2. Análisis exploratorio

library(rattle)
head(wine)
  Type Alcohol Malic  Ash Alcalinity Magnesium Phenols Flavanoids Nonflavanoids
1    1   14.23  1.71 2.43       15.6       127    2.80       3.06          0.28
2    1   13.20  1.78 2.14       11.2       100    2.65       2.76          0.26
3    1   13.16  2.36 2.67       18.6       101    2.80       3.24          0.30
4    1   14.37  1.95 2.50       16.8       113    3.85       3.49          0.24
5    1   13.24  2.59 2.87       21.0       118    2.80       2.69          0.39
6    1   14.20  1.76 2.45       15.2       112    3.27       3.39          0.34
  Proanthocyanins Color  Hue Dilution Proline
1            2.29  5.64 1.04     3.92    1065
2            1.28  4.38 1.05     3.40    1050
3            2.81  5.68 1.03     3.17    1185
4            2.18  7.80 0.86     3.45    1480
5            1.82  4.32 1.04     2.93     735
6            1.97  6.75 1.05     2.85    1450

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
n= 143 

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

1) root 143 86 2 (0.32867133 0.39860140 0.27272727)  
  2) Color>=3.82 93 48 1 (0.48387097 0.09677419 0.41935484)  
    4) Flavanoids>=1.4 54  9 1 (0.83333333 0.16666667 0.00000000)  
      8) Proline>=724.5 44  0 1 (1.00000000 0.00000000 0.00000000) *
      9) Proline< 724.5 10  1 2 (0.10000000 0.90000000 0.00000000) *
    5) Flavanoids< 1.4 39  0 3 (0.00000000 0.00000000 1.00000000) *
  3) Color< 3.82 50  2 2 (0.04000000 0.96000000 0.00000000) *

Paso 3. Interpretación de los resultados finales

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:

pred<- predict(modelo1,entrenamiento[,-1],type="class")
tt<- table(pred,entrenamiento[,1])
tt
    
pred  1  2  3
   1 44  0  0
   2  3 57  0
   3  0  0 39

Calculando la tasa de aciertos con respecto a los datos de entrenamiento:

[1] "Tasa de aciertos con los datos de entrenamiento: 97.9%"

Paso 4. Conjunto de datos de prueba

Para analizar la calidad del modelo, veamos que tan buena es la predicción para el conjunto de prueba

Pred<- predict(modelo1, prueba[,-1],type="class")
table<- table(prueba[,1],Pred)
table
   Pred
     1  2  3
  1 10  2  0
  2  0 14  0
  3  0  1  8

Cuya tasa de aciertos es:

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
        Color Flavanoids Proline Type
1    5.640000       3.06    1065    1
2    4.380000       2.76    1050    1
3    5.680000       3.24    1185    1
4    7.800000       3.49    1480    1
5    4.320000       2.69     735    1
6    6.750000       3.39    1450    1
7    5.250000       2.52    1290    1
8    5.050000       2.51    1295    1
9    5.200000       2.98    1045    1
10   7.220000       3.15    1045    1
11   5.750000       3.32    1510    1
12   5.000000       2.43    1280    1
13   5.600000       2.76    1320    1
14   5.400000       3.69    1150    1
15   7.500000       3.64    1547    1
16   7.300000       2.91    1310    1
17   6.200000       3.14    1280    1
18   6.600000       3.40    1130    1
19   8.700000       3.93    1680    1
20   5.100000       3.03     845    1
21   5.650000       3.17     780    1
22   4.500000       2.41     770    1
23   3.800000       2.88    1035    1
24   3.930000       2.37    1015    1
25   3.520000       2.61     845    1
26   3.580000       2.68     830    1
27   4.800000       2.94    1195    1
28   3.950000       2.19    1285    1
29   4.500000       2.97     915    1
30   4.700000       2.33    1035    1
31   5.700000       3.25    1285    1
32   6.900000       3.19    1515    1
33   3.840000       2.69     990    1
34   5.400000       2.74    1235    1
35   4.200000       2.53    1095    1
36   5.100000       2.98     920    1
37   4.600000       2.68     880    1
38   4.250000       2.43    1105    1
39   3.700000       2.64    1020    1
40   5.100000       3.04     760    1
41   6.130000       3.29     795    1
42   4.280000       2.68    1035    1
43   5.430000       3.56    1095    1
44   4.360000       2.63     680    1
45   5.040000       3.00     885    1
46   5.240000       2.65    1080    1
47   4.900000       3.17    1065    1
48   6.100000       3.39     985    1
49   6.200000       2.92    1060    1
50   8.900000       3.54    1260    1
51   7.200000       3.27    1150    1
52   5.600000       2.99    1265    1
53   7.050000       3.74    1190    1
54   6.300000       2.79    1375    1
55   5.850000       2.90    1060    1
56   6.250000       2.78    1120    1
57   6.380000       3.00     970    1
58   6.000000       3.23    1270    1
59   6.800000       3.67    1285    1
60   1.950000       0.57     520    2
61   3.270000       1.09     680    2
62   5.750000       1.41     450    2
63   3.800000       1.79     630    2
64   4.450000       3.10     420    2
65   2.950000       1.75     355    2
66   4.600000       2.65     678    2
67   5.300000       3.18     502    2
68   4.680000       2.00     510    2
69   3.170000       1.30     750    2
70   2.850000       1.28     718    2
71   3.050000       1.02     870    2
72   3.380000       2.86     410    2
73   3.740000       1.84     472    2
74   3.350000       2.89     985    2
75   3.210000       2.14     886    2
76   3.800000       1.57     428    2
77   4.600000       2.03     392    2
78   2.650000       1.32     500    2
79   3.400000       1.85     750    2
80   2.570000       2.55     463    2
81   2.500000       2.26     278    2
82   3.900000       2.53     714    2
83   2.200000       1.58     630    2
84   4.800000       1.59     515    2
85   3.050000       2.21     520    2
86   2.620000       1.94     450    2
87   2.450000       1.69     495    2
88   2.600000       1.61     562    2
89   2.800000       1.69     680    2
90   1.740000       1.59     625    2
91   2.400000       1.50     480    2
92   3.600000       1.25     450    2
93   3.050000       1.46     495    2
94   2.150000       2.25     290    2
95   3.250000       2.26     345    2
96   2.600000       2.27     937    2
97   2.500000       0.99     625    2
98   2.900000       2.50     428    2
99   4.500000       3.75     660    2
100  2.300000       2.99     406    2
101  3.300000       2.17     710    2
102  2.450000       1.36     562    2
103  2.800000       2.11     438    2
104  2.060000       1.64     415    2
105  2.940000       1.92     672    2
106  2.700000       1.84     315    2
107  3.400000       2.03     510    2
108  3.300000       1.76     488    2
109  2.700000       2.04     312    2
110  2.650000       2.92     680    2
111  2.900000       2.58     562    2
112  2.000000       2.27     325    2
113  3.800000       2.03     607    2
114  3.080000       2.01     434    2
115  2.900000       2.29     385    2
116  1.900000       2.17     407    2
117  1.950000       1.60     495    2
118  2.060000       2.09     345    2
119  3.400000       1.25     372    2
120  1.280000       1.64     564    2
121  3.250000       2.79     625    2
122  6.000000       5.08     465    2
123  2.080000       2.13     365    2
124  2.600000       2.65     380    2
125  2.800000       3.03     380    2
126  2.760000       2.65     378    2
127  3.940000       3.15     352    2
128  3.000000       2.24     466    2
129  2.120000       2.45     342    2
130  2.600000       1.75     580    2
131  4.100000       1.25     630    3
132  5.400000       1.22     530    3
133  5.700000       1.09     560    3
134  5.000000       1.20     600    3
135  5.450000       0.58     650    3
136  7.100000       0.66     695    3
137  3.850000       0.47     720    3
138  5.000000       0.60     515    3
139  5.700000       0.48     580    3
140  4.920000       0.60     590    3
141  4.600000       0.50     600    3
142  5.600000       0.50     780    3
143  4.350000       0.52     520    3
144  4.400000       0.80     550    3
145  8.210000       0.78     855    3
146  4.000000       0.55     830    3
147  4.900000       0.34     415    3
148  7.650000       0.65     625    3
149  8.420000       0.76     650    3
150  9.400000       1.39     550    3
151  8.600000       1.57     500    3
152 10.800000       1.36     480    3
153  7.100000       1.28     425    3
154 10.520000       0.83     675    3
155  7.600000       0.58     640    3
156  7.900000       0.63     725    3
157  9.010000       0.83     480    3
158  7.500000       0.58     880    3
159 13.000000       1.31     660    3
160 11.750000       1.10     620    3
161  7.650000       0.92     520    3
162  5.880000       0.56     680    3
163  5.580000       0.60     570    3
164  5.280000       0.70     675    3
165  9.580000       0.68     615    3
166  6.620000       0.47     520    3
167 10.680000       0.92     695    3
168 10.260000       0.66     685    3
169  8.660000       0.84     750    3
170  8.500000       0.96     630    3
171  5.500000       0.49     510    3
172  9.899999       0.51     470    3
173  9.700000       0.70     660    3
174  7.700000       0.61     740    3
175  7.300000       0.75     750    3
176 10.200000       0.69     835    3
177  9.300000       0.68     840    3
178  9.200000       0.76     560    3