El conjunto de datos SynthDiabetes2, disponible en el paquete mlbench de R, constituye una versión sintética generada a partir de los parámetros clínicos del estudio clásico del National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) sobre diagnóstico de diabetes mellitus en mujeres adultas. El objetivo del análisis es clasificar el resultado diagnóstico (diabetes: pos o neg) a partir de 8 variables predictoras cuantitativas vinculadas con mediciones antropométricas, antecedentes reproductivos, predisposición hereditaria y biomarcadores metabólicos (pregnant, glucose, pressure, triceps, insulin, mass, pedigree y age).
Warning: package 'mlbench' was built under R version 4.6.2
Warning: package 'dplyr' was built under R version 4.6.1
Adjuntando el paquete: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
Warning: package 'tidyr' was built under R version 4.6.1
Warning: package 'ggplot2' was built under R version 4.6.1
Warning: package 'rpart.plot' was built under R version 4.6.2
#Base de datosdata("SynthDiabetes2")datos <- SynthDiabetes2
PASO 1: Análisis exploratorio
summary(datos)
pregnant glucose pressure triceps
Min. : 0.000 Min. : 57.0 Min. : 24.00 Min. : 7.00
1st Qu.: 1.000 1st Qu.:101.0 1st Qu.: 64.00 1st Qu.:22.00
Median : 3.000 Median :119.0 Median : 72.00 Median :30.00
Mean : 4.585 Mean :125.3 Mean : 72.59 Mean :29.46
3rd Qu.: 7.000 3rd Qu.:144.5 3rd Qu.: 80.00 3rd Qu.:36.00
Max. :13.000 Max. :199.0 Max. :108.00 Max. :63.00
NAs :5 NAs :35 NAs :251
insulin mass pedigree age diabetes
Min. : 14 Min. :18.20 Min. :0.0780 Min. :21.00 neg:488
1st Qu.: 76 1st Qu.:27.80 1st Qu.:0.2430 1st Qu.:24.00 pos:280
Median :125 Median :32.80 Median :0.3670 Median :28.00
Mean :159 Mean :32.87 Mean :0.4792 Mean :33.05
3rd Qu.:194 3rd Qu.:36.95 3rd Qu.:0.6450 3rd Qu.:41.00
Max. :846 Max. :59.40 Max. :2.4200 Max. :81.00
NAs :405 NAs :13
#Selección de variablesDiabetes <- datos[, c("glucose", "mass","pregnant","pressure","triceps","age" ,"pedigree","insulin","diabetes" )]#Codificiación como factoresDiabetes$diabetes <-as.factor(ifelse(Diabetes$diabetes =="neg", "Negativo", "Positivo"))str(Diabetes)
'data.frame': 768 obs. of 9 variables:
$ glucose : num 194 129 132 184 108 117 100 88 73 126 ...
$ mass : num 28.5 27.6 38.2 24.7 31.6 30.1 46.3 32.4 44.2 37.3 ...
$ pregnant: num 0 8 2 6 4 10 3 1 4 7 ...
$ pressure: num 50 84 72 62 58 80 80 75 82 92 ...
$ triceps : num 45 NA 42 NA 32 13 41 30 38 NA ...
$ age : num 28 44 26 39 22 58 33 22 33 46 ...
$ pedigree: num 0.24 0.828 0.696 0.192 0.178 0.383 2.42 0.447 0.56 0.66 ...
$ insulin : num NA NA NA NA NA NA 65 49 NA NA ...
$ diabetes: Factor w/ 2 levels "Negativo","Positivo": 1 2 1 1 1 2 2 1 1 2 ...
#Conteo de datos faltantessum(is.na(Diabetes))
[1] 709
sapply(Diabetes, function(x) sum(is.na(x)))
glucose mass pregnant pressure triceps age pedigree insulin
5 13 0 35 251 0 0 405
diabetes
0
DiabetesData <-na.omit(Diabetes)
ggplot(DiabetesData, aes(x = glucose, y = mass, color = diabetes)) +geom_point(size =3, alpha =0.8) +labs(title ="Distribución de Diabetes por Glucosa y Masa",subtitle ="Conjunto de datos sintético",x ="Glucosa",y ="Masa",color ="¿Tiene Diabetes?" ) +theme_minimal() +scale_color_manual(values =c("Positivo"="#2b5c8f", "Negativo"="#e07a5f"))
PASO 2: Dividir los datos
library(caret)
Warning: package 'caret' was built under R version 4.6.2
Cargando paquete requerido: lattice
set.seed(2025)folds <-createFolds(DiabetesData$diabetes, k =5)DiabetesTrain <- DiabetesData[-folds[[5]],]DiabetesPrueba <- DiabetesData[folds[[5]],]
PASO 3: Construcción del árbol de decisión
library(rpart)modelodiabetes <-rpart(diabetes ~ ., data = DiabetesTrain, method ="class")modelodiabetes
pred Negativo Positivo
Negativo 180 29
Positivo 13 67
TA <-sum(diag(tt))/sum(tt) paste0("Tasa de aciertos con los datos de entrenamiento: ", round(TA,4)*100, "%", sep="")
[1] "Tasa de aciertos con los datos de entrenamiento: 85.47%"
Para analizar la calidad del modelo…
Pred <-predict(modelodiabetes, DiabetesPrueba[,-9],type="class")table <-table(DiabetesPrueba[,9],Pred)table
Pred
Negativo Positivo
Negativo 44 5
Positivo 8 16
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: 82.19%"
MODELO DE ÁRBOL DE DECISIÓN
rpart.plot( modelodiabetes, digits =-4, # Positivo para mostrar decimales correctos (ej. 3 decimales)type =2,extra =104, # Muestra la clase predicha, n y las probabilidades de cada clasebox.palette ="RdYlGn", fallen.leaves =TRUE, branch.lty =3, main ="Modelo de Árbol de Decisión: Predicción de Diabetes")