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

#cargar las librerías necesarias
library(ggplot2)
library(ggplot2)
library(e1071)
library(palmerpenguins)
library(caret) 
library(rpart)
library(rpart.plot)
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")
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"
)

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.

🐧 Contenido🐧

  1. Análisis exploratorio
  2. División de datos
  3. Construcción del modelo
  4. Interpretación de resultados
  5. Conclusiones