Árboles de Decisión - Modelo de Costos de Seguro

Autor/a

Abel & Caleb

Fecha de publicación

16 de noviembre de 2026

Introducción

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 necesarias
library(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 inicial
summary(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" costo
mediana_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 datos
str(Insurance)
'data.frame':   1338 obs. of  7 variables:
 $ age       : int  19 18 28 33 32 31 46 37 37 60 ...
 $ sex       : Factor w/ 2 levels "female","male": 1 2 2 2 2 1 1 1 2 1 ...
 $ bmi       : num  27.9 33.8 33 22.7 28.9 ...
 $ children  : int  0 1 3 0 0 0 1 3 2 0 ...
 $ smoker    : Factor w/ 2 levels "no","yes": 2 1 1 1 1 1 1 1 1 1 ...
 $ region    : Factor w/ 4 levels "northeast","northwest",..: 4 3 3 2 2 3 3 2 1 2 ...
 $ NivelCosto: Factor w/ 2 levels "Alto","Bajo": 1 2 2 1 2 2 2 2 2 1 ...
Código
# 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 registros
head(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 1
ggplot(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 objetivo
folds <- createFolds(InsuranceData$NivelCosto, k = 5)

# Usamos 4 folds (80%) para entrenamiento y 1 fold (20%) para prueba
EntrenamientoIns <- InsuranceData[-folds[[5]], ]
PruebaIns        <- InsuranceData[folds[[5]], ]

A

Paso 3. Construcción del árbol de decisión (Método CART)

A

Código
# Ajustamos el modelo de clasificación
modelo_insurance <- rpart(NivelCosto ~ ., data = EntrenamientoIns, method = "class")

# Resumen de reglas y nodos en consola
modelo_insurance
n= 1071 

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

 1) root 1071 535 Bajo (0.4995331 0.5004669)  
   2) age>=49.5 309  13 Alto (0.9579288 0.0420712) *
   3) age< 49.5 762 239 Bajo (0.3136483 0.6863517)  
     6) smoker=yes 162   0 Alto (1.0000000 0.0000000) *
     7) smoker=no 600  77 Bajo (0.1283333 0.8716667)  
      14) age>=45.5 78  32 Bajo (0.4102564 0.5897436)  
        28) children>=2.5 16   2 Alto (0.8750000 0.1250000) *
        29) children< 2.5 62  18 Bajo (0.2903226 0.7096774) *
      15) age< 45.5 522  45 Bajo (0.0862069 0.9137931) *
Código
# Visualización gráfica del árbol
rpart.plot(
  modelo_insurance,
  digits = -4,              # Muestra 4 decimales
  type = 2,
  extra = 104,              # Muestra clase predicha, probabilidades y % de observaciones
  box.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.
Código
modelo_cv$results
          cp  Accuracy     Kappa AccuracySD    KappaSD
1 0.01121495 0.9140926 0.8281804 0.02817590 0.05635036
2 0.30280374 0.8413432 0.6825322 0.08609995 0.17237601
3 0.52897196 0.7039600 0.4077658 0.11444134 0.22878383
Código
print(modelo_cv$results)
          cp  Accuracy     Kappa AccuracySD    KappaSD
1 0.01121495 0.9140926 0.8281804 0.02817590 0.05635036
2 0.30280374 0.8413432 0.6825322 0.08609995 0.17237601
3 0.52897196 0.7039600 0.4077658 0.11444134 0.22878383

A

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 ENTRENAMIENTO
pred_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 variables
varImp(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.