En el sector asegurador y de salud pública, estimar y clasificar el riesgo financiero asociado a los asegurados es fundamental para diseñar pólizas sostenibles y planes preventivos. A diferencia de los modelos paramétricos tradicionales, los Árboles de Decisión (método CART) permiten segmentar poblaciones heterogéneas mediante reglas lógicas transparentes y jerárquicas, identificando qué factores demográficos o de estilo de vida discriminan con mayor fuerza el nivel de gasto médico.
Para este análisis, se aplica un modelo de clasificación basado en árboles de decisión sobre la base de datos insurance.csv, la cual recopila información demográfica y clínica de 1,338 beneficiarios de seguros médicos en Estados Unidos (edad, sexo, índice de masa corporal bmi, número de hijos, condición de fumador y región).
El objetivo es construir un modelo capaz de clasificar si un asegurado representará un costo médico Alto o Bajo, evaluando su capacidad predictiva tanto en los datos de entrenamiento como en un conjunto de prueba independiente.
Paso 1. Análisis exploratorio de datos
A
Código
# Carga de librerías necesariaslibrary(tidyverse)
Warning: package 'tidyverse' was built under R version 4.6.2
Warning: package 'lubridate' was built under R version 4.6.2
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.2.1 ✔ readr 2.2.0
✔ forcats 1.0.1 ✔ stringr 1.6.0
✔ ggplot2 4.0.3 ✔ tibble 3.3.1
✔ lubridate 1.9.5 ✔ tidyr 1.3.2
✔ purrr 1.2.2
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
Código
library(caret)
Warning: package 'caret' was built under R version 4.6.2
Cargando paquete requerido: lattice
Adjuntando el paquete: 'caret'
The following object is masked from 'package:purrr':
lift
Código
library(rpart)library(rpart.plot)
Warning: package 'rpart.plot' was built under R version 4.6.2
Código
# Cargar la base de datos (asegúrate de tener insurance.csv en tu directorio)insurance_raw <-read.csv("insurance.csv")
A
Código
# Exploración inicialsummary(insurance_raw)
age sex bmi children
Min. :18.00 Length :1338 Min. :15.96 Min. :0.000
1st Qu.:27.00 N.unique : 2 1st Qu.:26.30 1st Qu.:0.000
Median :39.00 N.blank : 0 Median :30.40 Median :1.000
Mean :39.21 Min.nchar: 4 Mean :30.66 Mean :1.095
3rd Qu.:51.00 Max.nchar: 6 3rd Qu.:34.69 3rd Qu.:2.000
Max. :64.00 Max. :53.13 Max. :5.000
smoker region charges
Length :1338 Length :1338 Min. : 1122
N.unique : 2 N.unique : 4 1st Qu.: 4740
N.blank : 0 N.blank : 0 Median : 9382
Min.nchar: 2 Min.nchar: 9 Mean :13270
Max.nchar: 3 Max.nchar: 9 3rd Qu.:16640
Max. :63770
Código
# Seleccionamos variables relevantes y creamos la variable objetivo binaria# Usamos la mediana de charges (~9382) para dividir entre "Bajo" y "Alto" costomediana_costo <-median(insurance_raw$charges)Insurance <- insurance_raw %>%mutate(NivelCosto =as.factor(ifelse(charges > mediana_costo, "Alto", "Bajo")),sex =as.factor(sex),smoker =as.factor(smoker),region =as.factor(region) ) %>%select(age, sex, bmi, children, smoker, region, NivelCosto)# Verificamos la estructura de los datosstr(Insurance)
# Revisión de valores faltantes (NA)sum(is.na(Insurance))
[1] 0
Código
sapply(Insurance, function(x) sum(is.na(x)))
age sex bmi children smoker region NivelCosto
0 0 0 0 0 0 0
Código
# Limpieza de NA (si existieran)InsuranceData <-na.omit(Insurance)
No se detectaron valores faltantes en ninguna de las variables analizadas. Por lo tanto, no fue necesario aplicar procedimientos de imputación o eliminación de registros, garantizando que toda la información disponible pudiera utilizarse para entrenar y evaluar el modelo.
A
Código
# Vista previa de los primeros registroshead(Insurance)
age sex bmi children smoker region NivelCosto
1 19 female 27.900 0 yes southwest Alto
2 18 male 33.770 1 no southeast Bajo
3 28 male 33.000 3 no southeast Bajo
4 33 male 22.705 0 no northwest Alto
5 32 male 28.880 0 no northwest Bajo
6 31 female 25.740 0 no southeast Bajo
Código
# Gráfica de dispersión replicando el estilo del Ejemplo 1ggplot(Insurance, aes(x = age, y = bmi, color = NivelCosto)) +geom_point(size =2.5, alpha =0.8) +labs(title ="Distribución de Asegurados por Edad e Índice de Masa Corporal",subtitle ="Base de datos Insurance",x ="Edad (años)",y ="Índice de Masa Corporal (BMI)",color ="Nivel de Costo" ) +theme_minimal() +scale_color_manual(values =c("Alto"="#2b5c8f", "Bajo"="#e07a5f"))
A
Los resultados del análisis exploratorio sugieren que variables como la edad, el índice de masa corporal y la condición de fumador podrían desempeñar un papel importante en la clasificación del nivel de gasto médico. Los árboles de decisión son especialmente útiles en este contexto porque permiten identificar automáticamente qué variables generan las mejores particiones de los datos y construir reglas de clasificación fácilmente interpretables.
Dado que el objetivo es resolver un problema de clasificación, la variable continua de gastos médicos (charges) fue transformada en una variable categórica denominada NivelCosto. Se utilizó la mediana de los gastos médicos (9,382 dólares aproximadamente) como punto de corte para clasificar a los asegurados en dos grupos: costo Alto y costo Bajo. El uso de la mediana permite reducir la influencia de valores extremos presentes en la distribución de gastos
A
Paso 2. Dividir los datos en conjunto de entrenamiento y prueba
A
Para evaluar la capacidad de generalización del modelo, el conjunto de datos se dividió en dos subconjuntos: 80% para entrenamiento (1,071 observaciones) y 20% para prueba (267 observaciones). El conjunto de entrenamiento se utilizó para construir el árbol de decisión CART, mientras que el conjunto de prueba se reservó para evaluar el desempeño del modelo sobre datos no utilizados durante el ajuste. Esta estrategia permite obtener una estimación más realista de la capacidad predictiva del modelo y detectar posibles problemas de sobreajuste.
A
Código
set.seed(2025)# Creamos 5 particiones (folds) estratificadas según la variable objetivofolds <-createFolds(InsuranceData$NivelCosto, k =5)# Usamos 4 folds (80%) para entrenamiento y 1 fold (20%) para pruebaEntrenamientoIns <- InsuranceData[-folds[[5]], ]PruebaIns <- InsuranceData[folds[[5]], ]
A
Paso 3. Construcción del árbol de decisión (Método CART)
A
Código
# Ajustamos el modelo de clasificaciónmodelo_insurance <-rpart(NivelCosto ~ ., data = EntrenamientoIns, method ="class")# Resumen de reglas y nodos en consolamodelo_insurance
# Visualización gráfica del árbolrpart.plot( modelo_insurance,digits =-4, # Muestra 4 decimalestype =2,extra =104, # Muestra clase predicha, probabilidades y % de observacionesbox.palette ="RdYlGn",fallen.leaves =TRUE,branch.lty =3,main ="Modelo de Árbol de Decisión: Predicción de Nivel de Costo Médico")
A
El árbol de decisión identificó como principal criterio de clasificación la variable smoker, indicando que el hábito de fumar es el factor con mayor capacidad para diferenciar asegurados de costo alto y costo bajo. Posteriormente, variables como la edad, el índice de masa corporal (BMI) y el número de hijos contribuyen a refinar la clasificación dentro de cada grupo
A
Paso 4. Validar la estabilidad del modelo.
A
Código
# Validación cruzada de 5 pliegues (5-fold CV)control_cv <-trainControl(method ="cv", number =5)modelo_cv <-train(NivelCosto ~ ., data = EntrenamientoIns, method ="rpart", trControl = control_cv)print(modelo_cv)
CART
1071 samples
6 predictor
2 classes: 'Alto', 'Bajo'
No pre-processing
Resampling: Cross-Validated (5 fold)
Summary of sample sizes: 857, 857, 857, 857, 856
Resampling results across tuning parameters:
cp Accuracy Kappa
0.01121495 0.9140926 0.8281804
0.30280374 0.8413432 0.6825322
0.52897196 0.7039600 0.4077658
Accuracy was used to select the optimal model using the largest value.
The final value used for the model was cp = 0.01121495.
La validación cruzada de cinco pliegues mostró una precisión promedio de 91.41%, correspondiente al valor óptimo de complejidad del árbol (cp = 0.01121495). Este resultado indica que el modelo mantiene un desempeño consistente al ser evaluado sobre diferentes particiones de los datos, proporcionando una estimación más robusta de su capacidad predictiva que una única división entrenamiento-prueba.
A
Paso 5. Interpretación de los resultados finales.
A
Código
# 1. Evaluación sobre los datos de ENTRENAMIENTOpred_train <-predict(modelo_insurance, EntrenamientoIns[, -7], type ="class")tt_train <-table(Prediccion = pred_train, Real = EntrenamientoIns$NivelCosto)tt_train
Real
Prediccion Alto Bajo
Alto 472 15
Bajo 63 521
Código
TA <-sum(diag(tt_train)) /sum(tt_train)paste0("Tasa de aciertos con los datos de entrenamiento: ", round(TA, 4) *100, "%")
[1] "Tasa de aciertos con los datos de entrenamiento: 92.72%"
Código
# 2. Evaluación sobre los datos de PRUEBA (Test)pred_test <-predict(modelo_insurance, PruebaIns[, -7], type ="class")tt_test <-table(Real = PruebaIns$NivelCosto, Prediccion = pred_test)tt_test
Prediccion
Real Alto Bajo
Alto 118 16
Bajo 4 129
Código
TAP <-sum(diag(tt_test)) /sum(tt_test)paste0("Tasa de aciertos con los datos de prueba: ", round(TAP, 4) *100, "%")
[1] "Tasa de aciertos con los datos de prueba: 92.51%"
A
La tasa de acierto obtenida en el conjunto de entrenamiento fue de 92.72%, mientras que en el conjunto de prueba fue de 92.51%. Debido a que ambas métricas son muy similares, no existe evidencia importante de sobreajuste. Esto sugiere que el árbol aprendió patrones generales de los datos y mantiene un desempeño estable cuando se enfrenta a observaciones no utilizadas durante su entrenamiento
A
Código
# Importancia de las variablesvarImp(modelo_cv)
rpart variable importance
Overall
smokeryes 100.0000
age 57.6913
bmi 3.4623
children 1.7271
regionsouthwest 0.7836
regionnorthwest 0.0000
regionsoutheast 0.0000
sexmale 0.0000
A
El análisis de importancia de variables mostró que smoker es el predictor más influyente en la clasificación del nivel de gasto médico, con una importancia relativa de 100. Posteriormente destacan age (57.69), bmi (3.46) y children (1.73). Este resultado sugiere que el tabaquismo constituye el principal factor asociado a mayores costos médicos dentro de la muestra analizada, mientras que la edad aporta información complementaria para diferenciar niveles de gasto.
A
Conclusión.
A
Desde la perspectiva del equilibrio entre sesgo y varianza, los resultados sugieren que el modelo alcanzó un compromiso adecuado entre ambos componentes. La similitud entre las precisiones de entrenamiento (92.72%), prueba (92.51%) y validación cruzada (91.41%) indica que el árbol posee suficiente flexibilidad para capturar relaciones relevantes entre las variables sin mostrar una sensibilidad excesiva a pequeñas variaciones de los datos.
El modelo CART permitió clasificar exitosamente a los asegurados en categorías de costo alto y bajo utilizando variables demográficas y de salud. La validación cruzada de cinco pliegues alcanzó una precisión promedio de 91.41%, mientras que las tasas de acierto en entrenamiento y prueba fueron 92.72% y 92.51%, respectivamente. La proximidad entre estas métricas indica que el modelo presenta una adecuada capacidad de generalización y no muestra evidencia significativa de sobreajuste. Asimismo, el análisis de importancia de variables identificó al hábito de fumar como el factor más relevante para explicar las diferencias en los costos médicos, seguido por la edad, resultados consistentes con la literatura sobre factores de riesgo asociados a mayores gastos sanitarios.