#cargar las librerías necesarias
library(ggplot2)
library(ggplot2)
library(e1071)
library(palmerpenguins)
library(caret)
library(rpart)
library(rpart.plot)Introducción
La base de datos Palmer Penguins contiene información sobre las características físicas de tres especies de pingüinos: Adelie, Chinstrap y Gentoo. En esta aplicación se utilizará un árbol de decisión para predecir la especie de los pingüinos a partir de sus características y evaluar la precisión del modelo.
Predecir la especie de pinguino en función a sus características Físicas.
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
#Total de observaciones
nrow (penguins)[1] 344
# Seleccionar las variables de interés
Pinguinos <- penguins[, c("species","island", "sex",
"body_mass_g", "flipper_length_mm", "bill_length_mm","bill_depth_mm")]# Eliminar todas las filas que contienen NA
pinguinos_limpios <- na.omit(Pinguinos)#Total de observaciones sin NA
nrow (pinguinos_limpios)[1] 333
# Consultar la estructura
str(pinguinos_limpios)tibble [333 × 7] (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 ...
$ sex : Factor w/ 2 levels "female","male": 2 1 1 1 2 1 2 1 2 2 ...
$ body_mass_g : int [1:333] 3750 3800 3250 3450 3650 3625 4675 3200 3800 4400 ...
$ flipper_length_mm: int [1:333] 181 186 195 193 190 181 195 182 191 198 ...
$ 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 ...
- 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" ...
División de datos
set.seed(2025)
folds <- createFolds(pinguinos_limpios$species, k = 5)
# Crear conjunto de entrenamiento (80 % aprox.)
pinguinos_entrenamiento <- pinguinos_limpios[-folds[[5]], ]
# Crear conjunto de prueba (20 % aprox.)
pinguinos_prueba <- pinguinos_limpios[folds[[5]], ]Construcción del modelo
modelopinguinos <- rpart(species ~ ., data = pinguinos_entrenamiento, method = "class")
modelopinguinosn= 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"
)ggplot(pinguinos_limpios,
aes(x = flipper_length_mm,
y = bill_length_mm,
color = species)) +
geom_point(size = 3, alpha = 0.8) +
# División vertical del árbol
geom_vline(
xintercept = 200,
linetype = "dashed",
color = "#193B59",
linewidth = 1
) +
# División horizontal del árbol
geom_hline(
yintercept = 45,
linetype = "dashed",
color = "#193B59",
linewidth = 1
) +
labs(
title = "Divisiones del árbol de decisión",
subtitle = "Clasificación de pingüinos Adelie, Chinstrap y Gentoo",
x = "Longitud de la aleta (mm)",
y = "Longitud del pico (mm)",
color = "Especie"
) +
scale_color_manual(
values = c(
"Adelie" = "#f65b74",
"Chinstrap" = "#F39A38",
"Gentoo" = "#6BD735"
)
) +
theme_minimal()Interpretación de resultados
# Realizar predicciones
pred <- predict(
modelopinguinos,
pinguinos_entrenamiento[, -1],
type = "class"
)
# Construir matriz de confusión
tt <- table(
Real = pinguinos_entrenamiento$species,
Prediccion = pred
)
tt Prediccion
Real Adelie Chinstrap Gentoo
Adelie 110 4 2
Chinstrap 4 49 2
Gentoo 0 1 94
#Calcular la tasa de aciertos
TA <- sum(diag(tt)) / sum(tt)
paste0(
"Tasa de aciertos con los datos de entrenamiento: ",
round(TA * 100, 2), "%"
)[1] "Tasa de aciertos con los datos de entrenamiento: 95.11%"
#Predicción con los datos de prueba
# Realizar predicciones
Pred <- predict(
modelopinguinos,
pinguinos_prueba[, -1],
type = "class"
)
# Construir matriz de confusión
tabla <- table(
Real = pinguinos_prueba$species,
Prediccion = Pred
)
tabla Prediccion
Real Adelie Chinstrap Gentoo
Adelie 30 0 0
Chinstrap 1 9 3
Gentoo 0 0 24
#Calcular la tasa de aciertos de prueba
TAP <- sum(diag(tabla)) / sum(tabla)
paste0(
"Tasa de aciertos con los datos de prueba: ",
round(TAP * 100, 2), "%"
)[1] "Tasa de aciertos con los datos de prueba: 94.03%"
#Calcular sensibilidad, especificidad y precisión
calcular_metricas <- function(matriz) {
clases <- rownames(matriz)
resultados <- data.frame(
Especie = clases,
Sensibilidad = NA_real_,
Especificidad = NA_real_,
Precision = NA_real_
)
total <- sum(matriz)
for (i in seq_along(clases)) {
VP <- matriz[i, i]
FN <- sum(matriz[i, ]) - VP
FP <- sum(matriz[, i]) - VP
VN <- total - VP - FN - FP
resultados$Sensibilidad[i] <- VP / (VP + FN)
resultados$Especificidad[i] <- VN / (VN + FP)
resultados$Precision[i] <- VP / (VP + FP)
}
resultados[-1] <- lapply(
resultados[-1],
function(x) round(x * 100, 2)
)
return(resultados)
}# Métricas del entrenamiento
metricas_entrenamiento <- calcular_metricas(tt)
metricas_entrenamiento Especie Sensibilidad Especificidad Precision
1 Adelie 94.83 97.33 96.49
2 Chinstrap 89.09 97.63 90.74
3 Gentoo 98.95 97.66 95.92
# Métricas de prueba
metricas_prueba <- calcular_metricas(tabla)
metricas_prueba Especie Sensibilidad Especificidad Precision
1 Adelie 100.00 97.30 96.77
2 Chinstrap 69.23 100.00 100.00
3 Gentoo 100.00 93.02 88.89
Conclusiones
- Limitaciones del estudio: No se realizó un análisis exploratorio formal de las distribuciones ni de los valores atípicos, lo que limita la identificación de posibles factores que influyen en las divisiones del árbol.
- Distribución desigual de las clases: Se identificó una mayor representación de Adelie y Gentoo respecto a Chinstrap. Este desequilibrio podría favorecer la clasificación de las especies predominantes y dificultar la identificación de la especie menos representada.