Árbol de decisión

Author

Jorge Che, Cristina Cruz

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 datos
data("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 variables
Diabetes <- datos[, c("glucose", "mass","pregnant","pressure","triceps","age" ,"pedigree","insulin","diabetes" )]

#Codificiación como factores
Diabetes$diabetes <- as.factor(ifelse(Diabetes$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 faltantes
sum(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
n= 289 

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

 1) root 289 96 Negativo (0.6678201 0.3321799)  
   2) glucose< 133 189 26 Negativo (0.8624339 0.1375661)  
     4) pedigree< 1.0555 181 20 Negativo (0.8895028 0.1104972) *
     5) pedigree>=1.0555 8  2 Positivo (0.2500000 0.7500000) *
   3) glucose>=133 100 30 Positivo (0.3000000 0.7000000)  
     6) insulin< 107.5 11  3 Negativo (0.7272727 0.2727273) *
     7) insulin>=107.5 89 22 Positivo (0.2471910 0.7528090)  
      14) age>=53.5 9  3 Negativo (0.6666667 0.3333333) *
      15) age< 53.5 80 16 Positivo (0.2000000 0.8000000)  
        30) mass< 27.5 8  3 Negativo (0.6250000 0.3750000) *
        31) mass>=27.5 72 11 Positivo (0.1527778 0.8472222) *

PASO 4: Interpretación de resultados finales

pred<- predict(modelodiabetes,DiabetesTrain[,-9],type="class") 
tt<- table(pred,DiabetesTrain[,9]) 
tt 
          
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 clase
  box.palette = "RdYlGn", 
  fallen.leaves = TRUE, 
  branch.lty = 3,        
  main = "Modelo de Árbol de Decisión: Predicción de Diabetes"
)