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 de los asegurados es fundamental para diseñar pólizas sostenibles y planes preventivos. Los Árboles de Decisión (método CART) permiten identificar 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

Primero, se cargan las librerías necesarias para la manipulación de datos y el modelado, al igual que la base de datos insurance.csv, que contiene 1,338 observaciones de beneficiarios de un seguro médico.

Código
# Carga de librerías
library(tidyverse)
library(caret)
library(rpart)
library(rpart.plot)

# Cargar la base de datos
Seguro <- read.csv("insurance.csv")

A continuación, realizamos una exploración descriptiva inicial para conocer la distribución, rangos y medidas de tendencia central de las 1,338 observaciones.

Código
# Exploración inicial
summary(Seguro)
      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  

Dado que los árboles de clasificación requieren una variable respuesta categórica, creamos la variable binaria Nivel_Costo ("Alto" y "Bajo") tomando como punto de corte la mediana de los gastos médicos ($9,382), garantizando así dos grupos balanceados y reduciendo la influencia de valores extremo en la distribución de gastos. Asimismo, convertimos las variables cualitativas (sex, smoker, region) a formato factor.

Código
# Usamos la mediana de charges (9382).
mediana_costo <- median(Seguro$charges)

Insurance <- Seguro %>%
  mutate(
    Nivel_Costo = 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, Nivel_Costo)

# 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 ...
 $ Nivel_Costo: Factor w/ 2 levels "Alto","Bajo": 1 2 2 1 2 2 2 2 2 1 ...

Seguidamente comprobaremos si existen datos faltantes (NA) que requieran imputarse o eliminarse.

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 
          0           0           0           0           0           0 
Nivel_Costo 
          0 
Código
# Limpieza de NA
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.

Antes de particionar los datos y entrenar el árbol, visualizamos los primeros registros de la tabla transformada con head(Insurance) y construimos un gráfico de dispersión.

Código
# Vista previa de los primeros registros
head(Insurance)
  age    sex    bmi children smoker    region Nivel_Costo
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
ggplot(Insurance, aes(x = age, y = children, color = Nivel_Costo)) +
  geom_jitter(width = 0.3, height = 0.2, size = 2.5, alpha = 0.8) +
  facet_wrap(~ smoker, labeller = labeller(smoker = c("no" = "No Fumador", "yes" = "Fumador"))) +
  labs(
    title = "Distribución de Asegurados por Edad, Número de Hijos y Hábito de Fumar",
    subtitle = "Variables principales identificadas por el modelo CART",
    x = "Edad (años)",
    y = "Número de Hijos (children)",
    color = "Nivel de Costo"
  ) +
  theme_minimal() +
  scale_color_manual(values = c("Alto" = "#DB433B", "Bajo" = "#3BDB40"))

En el gráfico de fumadores, podemos observar que prácticamente la totalidad de los asegurados presenta un costo Alto (puntos rojos) sin importar su edad o número de hijos. Por el contrario, entre los no fumadores se distingue una frontera clara en torno a los 45–50 años: por debajo de esa edad predominan los costos Bajos (puntos verdes), mientras que por encima el gasto se desplaza hacia la categoría Alta.

Paso 2. Dividir los datos en conjunto de entrenamiento y prueba

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.

Código
#Se fija una semilla aleatoria
set.seed(2025)

# Creamos 5 particiones (folds)
folds <- createFolds(InsuranceData$Nivel_Costo, k = 5)

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

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

Una vez definidos los subconjuntos de trabajo (entrenamiento y prueba), procedemos a entrenar el modelo de árbol de decisión mediante la función rpart() utilizando el método de clasificación (method = "class"). El algoritmo CART evalúa recursivamente todas las variables predictoras disponibles para encontrar los puntos de corte que maximicen la pureza de los nodos resultantes, generando la estructura jerárquica de reglas que se muestra a continuación:

Código
# Ajustamos el modelo de clasificación
modelo_insurance <- rpart(Nivel_Costo ~ ., 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) *

En esta información, se resumen las particiones realizadas a partir de las 1,071 observaciones de entrenamiento, señalando con un asterisco (*) los 5 nodos terminales u hojas donde el árbol detiene su crecimiento. Para facilitar la lectura de estas reglas y las probabilidades de clasificación en cada rama, generamos la representación gráfica del modelo mediante rpart.plot():

Código
# Visualización gráfica del árbol
rpart.plot(
  modelo_insurance,
  digits = -4,        # Muestra 4 decimales
  type = 2,
  extra = 104,        # Muestra clase predicha, probabilidades y porcentaje de observaciones
  box.palette = "RdYlGn",
  fallen.leaves = TRUE,
  branch.lty = 3,
  main = "Modelo de Árbol de Decisión: Predicción de Nivel de Costo Médico"
)

El árbol de decisión identificó como criterio principal de clasificación en el nodo raíz la variable age (age >= 50), agrupando al 28.85% de los asegurados con un 0.95 de probabilidad de pertenecer al nivel de costo Alto. Para quienes tienen menos de 50 años (71.15%), el hábito de fumar (smoker = yes) actúa como el factor determinante inmediato, clasificando al 15.13% de la muestra en la categoría Alta con un 1.0 de probabilidad. Finalmente, variables como los no fumadores menores de 50 años, la edad y el número de hijos permiten refinar la clasificación dentro de cada grupo.

Paso 4. Validar la estabilidad del modelo.

Para comprobar que el desempeño del árbol no depende de una única partición aleatoria de los datos, aplicamos una validación cruzada de 5 pliegues (5-fold cross-validation) sobre el conjunto de entrenamiento (~ 1,071 observaciones). En cada iteración, el modelo se entrena con 4 pliegues (~ 857 registros) y se evalúa en el pliegue restante.

Código
# Validación cruzada de 5 pliegues (5-fold CV)
control_cv <- trainControl(method = "cv", number = 5)
modelo_cv <- train(Nivel_Costo ~ ., 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

La validación cruzada de cinco pliegues mostró una precisión promedio de 91.41% (Accuracy = 0.9141) y un índice Kappa de 0.8282, correspondiente al valor óptimo de complejidad del árbol (cp = 0.01121495). Además, la baja desviación estándar entre pliegues (AccuracySD = 0.0282, apenas ±2.82%) confirma que el modelo es estable y 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.

Paso 5. Interpretación de los resultados finales.

Finalmente, evaluamos la capacidad predictiva real del árbol generando las matrices de confusión y calculando la tasa de aciertos tanto para el conjunto de entrenamiento (1,071 datos) como para el conjunto de prueba independiente (267 datos):

Código
# 1. Evaluación sobre los datos de ENTRENAMIENTO
pred_train <- predict(modelo_insurance, EntrenamientoIns[, -7], type = "class")
tt_train   <- table(Real = EntrenamientoIns$Nivel_Costo, Prediccion = pred_train)
tt_train
      Prediccion
Real   Alto Bajo
  Alto  472   63
  Bajo   15  521
Código
TA <- sum(diag(tt_train)) / sum(tt_train)
paste0("Tasa de aciertos con los datos de entrenamiento: ", round(TA, 4) * 100, "%")
[1] "Tasa de aciertos con los datos de entrenamiento: 92.72%"
Código
# 2. Evaluación sobre los datos de PRUEBA
pred_test <- predict(modelo_insurance, PruebaIns[, -7], type = "class")
tt_test   <- table(Real = PruebaIns$Nivel_Costo, 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%"

La tasa de acierto obtenida en el conjunto de entrenamiento fue de 92.72% (993 clasificaciones correctas de 1,071), mientras que en el conjunto de prueba fue de 92.51% (247 clasificaciones correctas de 267, con apenas 20 errores). 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 sólido ante datos nuevos.

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

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.

Conclusión.

El modelo de árbol de decisión (CART) permitió clasificar exitosamente a los asegurados en categorías de costo médico Alto y Bajo a partir de variables demográficas y de salud. Desde la perspectiva del equilibrio entre sesgo y varianza, la consistencia entre la tasa de acierto en entrenamiento (92.72%), validación cruzada de cinco pliegues (91.41%) y conjunto de prueba (92.51%) demuestra que el árbol posee la flexibilidad óptima para capturar los patrones reales sin caer en el sobreajuste (overfitting) ni presentar alta sensibilidad a variaciones en los datos.

Asimismo, tanto la estructura jerárquica del árbol como el análisis de importancia de variables confirmaron que el hábito de fumar (smoker) y la edad (age) son los factores determinantes del gasto médico, seguidos en menor medida por el número de hijos. En términos prácticos, esta transparencia convierte al modelo en una herramienta directamente aplicable en el sector asegurador para evaluar perfiles de riesgo, diseñar tarifas diferenciadas y focalizar programas de medicina preventiva.