# cargando la data diabetes
diabetes=read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Mineria-de-datos-2019-2/master/diabetes_m.csv", sep = ";")
head(diabetes)
## n NumeroEmbarazos Concentrac.blucosa.plama Presión.arterial.diastólica
## 1 1 6 148 72
## 2 2 1 85 66
## 3 3 8 183 64
## 4 4 1 89 NA
## 5 5 0 137 40
## 6 6 5 116 74
## Tríceps.espesor.del.pliegue.cutáneo X2.horas.suero.insulina
## 1 35 0
## 2 29 0
## 3 0 0
## 4 23 94
## 5 NA 168
## 6 0 0
## Índice.de.masa.corporal Función.pedigrí.de.la.diabetes edad resultado
## 1 33.6 0.627 50 Positivo
## 2 26.6 0.351 31 Negativo
## 3 23.3 0.672 32 Positivo
## 4 28.1 0.167 21 Negativo
## 5 43.1 2.288 33 Positivo
## 6 25.6 0.201 30 Negativo
str(diabetes)
## 'data.frame': 768 obs. of 10 variables:
## $ n : int 1 2 3 4 5 6 7 8 9 10 ...
## $ NumeroEmbarazos : int 6 1 8 1 0 5 3 10 2 8 ...
## $ Concentrac.blucosa.plama : int 148 85 183 89 137 116 78 115 197 125 ...
## $ Presión.arterial.diastólica : int 72 66 64 NA 40 74 NA 0 70 96 ...
## $ Tríceps.espesor.del.pliegue.cutáneo: int 35 29 0 23 NA 0 32 0 45 0 ...
## $ X2.horas.suero.insulina : int 0 0 0 94 168 0 88 0 543 0 ...
## $ Índice.de.masa.corporal : num 33.6 26.6 23.3 28.1 43.1 25.6 31 35.3 30.5 0 ...
## $ Función.pedigrí.de.la.diabetes : num 0.627 0.351 0.672 0.167 2.288 ...
## $ edad : int 50 31 32 21 33 30 26 29 53 54 ...
## $ resultado : Factor w/ 2 levels "Negativo","Positivo": 2 1 2 1 2 1 2 1 2 2 ...
# con el comando summary tendremos un resumen de los datos como la media , mediana ,etc
summary(diabetes)
## n NumeroEmbarazos Concentrac.blucosa.plama
## Min. : 1.0 Min. : 0.000 Min. : 0.0
## 1st Qu.:192.8 1st Qu.: 1.000 1st Qu.: 99.0
## Median :384.5 Median : 3.000 Median :117.0
## Mean :384.5 Mean : 3.845 Mean :120.9
## 3rd Qu.:576.2 3rd Qu.: 6.000 3rd Qu.:140.2
## Max. :768.0 Max. :17.000 Max. :199.0
##
## Presión.arterial.diastólica Tríceps.espesor.del.pliegue.cutáneo
## Min. : 0.00 Min. : 0.00
## 1st Qu.: 62.00 1st Qu.: 0.00
## Median : 72.00 Median :23.00
## Mean : 69.05 Mean :20.41
## 3rd Qu.: 80.00 3rd Qu.:32.00
## Max. :122.00 Max. :99.00
## NA's :84 NA's :66
## X2.horas.suero.insulina Índice.de.masa.corporal
## Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.:27.30
## Median : 24.00 Median :32.00
## Mean : 78.23 Mean :31.99
## 3rd Qu.:127.75 3rd Qu.:36.60
## Max. :680.00 Max. :67.10
## NA's :70
## Función.pedigrí.de.la.diabetes edad resultado
## Min. :0.0780 Min. :21.00 Negativo:500
## 1st Qu.:0.2437 1st Qu.:24.00 Positivo:268
## Median :0.3725 Median :29.00
## Mean :0.4719 Mean :33.24
## 3rd Qu.:0.6262 3rd Qu.:41.00
## Max. :2.4200 Max. :81.00
##
#Del análisis eliminar la primera columna ya que contiene datos redundantes
diabetes1<-diabetes[,2:10]
head(diabetes1)
## NumeroEmbarazos Concentrac.blucosa.plama Presión.arterial.diastólica
## 1 6 148 72
## 2 1 85 66
## 3 8 183 64
## 4 1 89 NA
## 5 0 137 40
## 6 5 116 74
## Tríceps.espesor.del.pliegue.cutáneo X2.horas.suero.insulina
## 1 35 0
## 2 29 0
## 3 0 0
## 4 23 94
## 5 NA 168
## 6 0 0
## Índice.de.masa.corporal Función.pedigrí.de.la.diabetes edad resultado
## 1 33.6 0.627 50 Positivo
## 2 26.6 0.351 31 Negativo
## 3 23.3 0.672 32 Positivo
## 4 28.1 0.167 21 Negativo
## 5 43.1 2.288 33 Positivo
## 6 25.6 0.201 30 Negativo
summary(diabetes1)
## NumeroEmbarazos Concentrac.blucosa.plama Presión.arterial.diastólica
## Min. : 0.000 Min. : 0.0 Min. : 0.00
## 1st Qu.: 1.000 1st Qu.: 99.0 1st Qu.: 62.00
## Median : 3.000 Median :117.0 Median : 72.00
## Mean : 3.845 Mean :120.9 Mean : 69.05
## 3rd Qu.: 6.000 3rd Qu.:140.2 3rd Qu.: 80.00
## Max. :17.000 Max. :199.0 Max. :122.00
## NA's :84
## Tríceps.espesor.del.pliegue.cutáneo X2.horas.suero.insulina
## Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00
## Median :23.00 Median : 24.00
## Mean :20.41 Mean : 78.23
## 3rd Qu.:32.00 3rd Qu.:127.75
## Max. :99.00 Max. :680.00
## NA's :66 NA's :70
## Índice.de.masa.corporal Función.pedigrí.de.la.diabetes edad
## Min. : 0.00 Min. :0.0780 Min. :21.00
## 1st Qu.:27.30 1st Qu.:0.2437 1st Qu.:24.00
## Median :32.00 Median :0.3725 Median :29.00
## Mean :31.99 Mean :0.4719 Mean :33.24
## 3rd Qu.:36.60 3rd Qu.:0.6262 3rd Qu.:41.00
## Max. :67.10 Max. :2.4200 Max. :81.00
##
## resultado
## Negativo:500
## Positivo:268
##
##
##
##
##
#ASUMIENDO QUE LOS MISSING SON MCA
#Imputamos por KNNIMPUTATION
#ANÁLISIS EXPLORATORIO DE DATOS
library(DMwR)
## Loading required package: lattice
## Loading required package: grid
## Registered S3 method overwritten by 'xts':
## method from
## as.zoo.xts zoo
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
# en la libreria dmwr contiene los codigos para que reconozca el knnimputacion
diabetes2=knnImputation(diabetes1)
summary(diabetes2)
## NumeroEmbarazos Concentrac.blucosa.plama Presión.arterial.diastólica
## Min. : 0.000 Min. : 0.0 Min. : 0.00
## 1st Qu.: 1.000 1st Qu.: 99.0 1st Qu.: 63.02
## Median : 3.000 Median :117.0 Median : 71.21
## Mean : 3.845 Mean :120.9 Mean : 68.94
## 3rd Qu.: 6.000 3rd Qu.:140.2 3rd Qu.: 79.06
## Max. :17.000 Max. :199.0 Max. :122.00
## Tríceps.espesor.del.pliegue.cutáneo X2.horas.suero.insulina
## Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.0 1st Qu.: 0.00
## Median :23.0 Median : 42.39
## Mean :20.5 Mean : 78.57
## 3rd Qu.:32.0 3rd Qu.:126.55
## Max. :99.0 Max. :680.00
## Índice.de.masa.corporal Función.pedigrí.de.la.diabetes edad
## Min. : 0.00 Min. :0.0780 Min. :21.00
## 1st Qu.:27.30 1st Qu.:0.2437 1st Qu.:24.00
## Median :32.00 Median :0.3725 Median :29.00
## Mean :31.99 Mean :0.4719 Mean :33.24
## 3rd Qu.:36.60 3rd Qu.:0.6262 3rd Qu.:41.00
## Max. :67.10 Max. :2.4200 Max. :81.00
## resultado
## Negativo:500
## Positivo:268
##
##
##
##
##############
library(ggplot2)
ggplot(data=diabetes2)+
geom_point(mapping = aes(x=Presión.arterial.diastólica,y=Índice.de.masa.corporal,
color=resultado))
hist(log(diabetes2$NumeroEmbarazos))
################################
#REDES NEURONALES
#creando la data train y test
dim(diabetes2)
## [1] 768 9
set.seed(111)
muestra=sample(537,231)
#Train data
# en la data train nos sirve tanto para las redes neuronales y los arboles de decision
# en la data train nosotros podemos editarla para obener mejores predicciones
train=diabetes2[-muestra,]
train$Presión.arterial.diastólica=(sqrt(train$Presión.arterial.diastólica))
#Test data
# al igual que la data train tambien nos sirve para redes y para arboles de decision
# la data test no se puede editar ya que es muetra datos reales aqui es donde se generara el modelo de prediccion
test=diabetes2[muestra,]
dim(train)
## [1] 537 9
dim(test)
## [1] 231 9
fix(train)
#Entrenamos el modelo de ANN
names(train)
## [1] "NumeroEmbarazos"
## [2] "Concentrac.blucosa.plama"
## [3] "Presión.arterial.diastólica"
## [4] "Tríceps.espesor.del.pliegue.cutáneo"
## [5] "X2.horas.suero.insulina"
## [6] "Índice.de.masa.corporal"
## [7] "Función.pedigrí.de.la.diabetes"
## [8] "edad"
## [9] "resultado"
set.seed(222)
library(nnet)
modelo_diab=nnet(resultado~.,data=train, size=50)
## # weights: 501
## initial value 384.218139
## iter 10 value 326.513420
## iter 20 value 315.951523
## iter 30 value 298.531535
## iter 40 value 273.427793
## iter 50 value 256.019258
## iter 60 value 242.519942
## iter 70 value 231.239099
## iter 80 value 218.356661
## iter 90 value 205.931969
## iter 100 value 199.221827
## final value 199.221827
## stopped after 100 iterations
#Predecir baso en el modelo anterior
predichos_diab=predict(modelo_diab, test, type = "class")
predichos_diab
## [1] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Negativo"
## [7] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [13] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Positivo"
## [19] "Negativo" "Negativo" "Negativo" "Negativo" "Positivo" "Negativo"
## [25] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [31] "Negativo" "Negativo" "Negativo" "Positivo" "Negativo" "Positivo"
## [37] "Positivo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [43] "Positivo" "Negativo" "Negativo" "Positivo" "Negativo" "Negativo"
## [49] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Positivo"
## [55] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [61] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [67] "Positivo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [73] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [79] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Negativo"
## [85] "Positivo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [91] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [97] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [103] "Negativo" "Negativo" "Negativo" "Positivo" "Negativo" "Negativo"
## [109] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [115] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [121] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [127] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [133] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [139] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [145] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [151] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Positivo"
## [157] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Negativo"
## [163] "Negativo" "Negativo" "Positivo" "Negativo" "Negativo" "Negativo"
## [169] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [175] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [181] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [187] "Negativo" "Negativo" "Negativo" "Negativo" "Positivo" "Positivo"
## [193] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [199] "Negativo" "Negativo" "Positivo" "Positivo" "Negativo" "Negativo"
## [205] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" "Negativo"
## [211] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [217] "Negativo" "Negativo" "Negativo" "Negativo" "Positivo" "Negativo"
## [223] "Negativo" "Negativo" "Negativo" "Negativo" "Negativo" "Negativo"
## [229] "Positivo" "Negativo" "Negativo"
#compara los datos del test- resultado con el predichos_diab
comparando=as.data.frame(cbind(test$resultado, predichos_diab))
fix(comparando)
table(test$resultado, predichos_diab)
## predichos_diab
## Negativo Positivo
## Negativo 132 18
## Positivo 74 7
# esta es la matriz de confusion
#Indicadores del modelo
library(caret)
str(predichos_diab)
## chr [1:231] "Negativo" "Positivo" "Negativo" "Negativo" "Negativo" ...
predichos_diab=as.factor(predichos_diab)
str(test$resultado)
## Factor w/ 2 levels "Negativo","Positivo": 2 1 1 1 1 1 2 1 2 1 ...
indicadores_diab=confusionMatrix(predichos_diab, test$resultado)
indicadores_diab
## Confusion Matrix and Statistics
##
## Reference
## Prediction Negativo Positivo
## Negativo 132 74
## Positivo 18 7
##
## Accuracy : 0.6017
## 95% CI : (0.5355, 0.6654)
## No Information Rate : 0.6494
## P-Value [Acc > NIR] : 0.9425
##
## Kappa : -0.0399
##
## Mcnemar's Test P-Value : 9.8e-09
##
## Sensitivity : 0.88000
## Specificity : 0.08642
## Pos Pred Value : 0.64078
## Neg Pred Value : 0.28000
## Prevalence : 0.64935
## Detection Rate : 0.57143
## Detection Prevalence : 0.89177
## Balanced Accuracy : 0.48321
##
## 'Positive' Class : Negativo
##
# al final de este codigo nos muestra el accuracy, specifisity, y sensibility
###############################
#CURVA ROC
predichos_prob=predict(modelo_diab, test, type = "raw")
library(ROCR)
## Loading required package: gplots
##
## Attaching package: 'gplots'
## The following object is masked from 'package:stats':
##
## lowess
pred1=prediction(predichos_prob, test$resultado)
pred2=performance(pred1, "tpr", "fpr")
plot(pred2, colorize=T)
lines(x=c(0,1), y=c(0,1))
#CREANDO EL ARBOL DE DESICIONES
library(rpart)
#usaremos la variable resultado para armar el modelo
modelo1=rpart(resultado~., data = train, method = "class")
modelo1
## n= 537
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 537 187 Negativo (0.65176909 0.34823091)
## 2) Concentrac.blucosa.plama< 154.5 454 118 Negativo (0.74008811 0.25991189)
## 4) Concentrac.blucosa.plama< 111.5 232 29 Negativo (0.87500000 0.12500000)
## 8) NumeroEmbarazos< 6.5 197 16 Negativo (0.91878173 0.08121827) *
## 9) NumeroEmbarazos>=6.5 35 13 Negativo (0.62857143 0.37142857)
## 18) X2.horas.suero.insulina< 80.10565 27 7 Negativo (0.74074074 0.25925926) *
## 19) X2.horas.suero.insulina>=80.10565 8 2 Positivo (0.25000000 0.75000000) *
## 5) Concentrac.blucosa.plama>=111.5 222 89 Negativo (0.59909910 0.40090090)
## 10) Índice.de.masa.corporal< 27.05 35 3 Negativo (0.91428571 0.08571429) *
## 11) Índice.de.masa.corporal>=27.05 187 86 Negativo (0.54010695 0.45989305)
## 22) edad< 30.5 93 28 Negativo (0.69892473 0.30107527)
## 44) Presión.arterial.diastólica>=7.426937 81 20 Negativo (0.75308642 0.24691358)
## 88) Índice.de.masa.corporal< 41.8 69 13 Negativo (0.81159420 0.18840580)
## 176) Índice.de.masa.corporal>=32.45 38 2 Negativo (0.94736842 0.05263158) *
## 177) Índice.de.masa.corporal< 32.45 31 11 Negativo (0.64516129 0.35483871)
## 354) NumeroEmbarazos< 1.5 15 1 Negativo (0.93333333 0.06666667) *
## 355) NumeroEmbarazos>=1.5 16 6 Positivo (0.37500000 0.62500000) *
## 89) Índice.de.masa.corporal>=41.8 12 5 Positivo (0.41666667 0.58333333) *
## 45) Presión.arterial.diastólica< 7.426937 12 4 Positivo (0.33333333 0.66666667) *
## 23) edad>=30.5 94 36 Positivo (0.38297872 0.61702128)
## 46) Función.pedigrí.de.la.diabetes< 0.44 55 27 Negativo (0.50909091 0.49090909)
## 92) Tríceps.espesor.del.pliegue.cutáneo>=26.5 22 7 Negativo (0.68181818 0.31818182)
## 184) Tríceps.espesor.del.pliegue.cutáneo< 34 12 1 Negativo (0.91666667 0.08333333) *
## 185) Tríceps.espesor.del.pliegue.cutáneo>=34 10 4 Positivo (0.40000000 0.60000000) *
## 93) Tríceps.espesor.del.pliegue.cutáneo< 26.5 33 13 Positivo (0.39393939 0.60606061)
## 186) X2.horas.suero.insulina< 5.478401 24 12 Negativo (0.50000000 0.50000000)
## 372) Índice.de.masa.corporal>=34.5 7 1 Negativo (0.85714286 0.14285714) *
## 373) Índice.de.masa.corporal< 34.5 17 6 Positivo (0.35294118 0.64705882) *
## 187) X2.horas.suero.insulina>=5.478401 9 1 Positivo (0.11111111 0.88888889) *
## 47) Función.pedigrí.de.la.diabetes>=0.44 39 8 Positivo (0.20512821 0.79487179) *
## 3) Concentrac.blucosa.plama>=154.5 83 14 Positivo (0.16867470 0.83132530) *
library(partykit)
## Loading required package: libcoin
## Loading required package: mvtnorm
plot(as.party(modelo1))
# el codigo plot nos muestra el arbol de decisiones
#predecimos
predichos=predict(modelo1, test, type="class")
predichos
## 507 175 69 305 45 334 281 135
## Positivo Negativo Negativo Negativo Positivo Negativo Negativo Negativo
## 405 143 40 25 455 180 100 38
## Positivo Negativo Negativo Negativo Negativo Positivo Positivo Negativo
## 526 436 479 197 421 454 523 320
## Negativo Positivo Negativo Negativo Positivo Negativo Negativo Positivo
## 92 362 210 186 56 61 381 91
## Positivo Positivo Positivo Positivo Negativo Negativo Negativo Negativo
## 93 343 352 373 493 257 252 170
## Negativo Negativo Positivo Negativo Negativo Negativo Positivo Negativo
## 80 42 423 388 308 113 473 506
## Negativo Positivo Negativo Negativo Negativo Negativo Negativo Negativo
## 310 536 408 400 125 533 335 27
## Negativo Positivo Negativo Positivo Negativo Negativo Negativo Negativo
## 349 122 216 94 316 58 385 285
## Negativo Negativo Positivo Negativo Negativo Negativo Negativo Negativo
## 89 410 274 502 224 147 289 283
## Negativo Positivo Negativo Negativo Positivo Negativo Negativo Positivo
## 513 459 287 204 351 6 359 236
## Negativo Positivo Positivo Negativo Negativo Negativo Negativo Positivo
## 95 134 146 201 76 18 70 269
## Negativo Negativo Negativo Negativo Negativo Negativo Positivo Negativo
## 52 524 133 415 198 120 22 456
## Negativo Positivo Positivo Negativo Negativo Negativo Negativo Positivo
## 466 426 494 152 215 227 218 13
## Negativo Positivo Positivo Negativo Negativo Negativo Positivo Positivo
## 87 50 307 451 328 420 396 292
## Negativo Negativo Positivo Negativo Positivo Negativo Positivo Negativo
## 268 342 258 163 34 195 172 489
## Negativo Negativo Positivo Positivo Negativo Negativo Negativo Negativo
## 336 149 223 115 112 169 90 300
## Positivo Positivo Negativo Positivo Positivo Negativo Negativo Negativo
## 260 422 202 321 9 183 211 488
## Positivo Negativo Negativo Positivo Positivo Negativo Negativo Positivo
## 519 67 48 419 155 237 314 512
## Negativo Negativo Negativo Negativo Positivo Positivo Positivo Negativo
## 266 487 168 353 261 271 230 78
## Negativo Negativo Positivo Negativo Positivo Negativo Positivo Negativo
## 379 383 370 199 104 3 331 340
## Positivo Negativo Negativo Negativo Negativo Positivo Negativo Positivo
## 460 372 509 391 358 253 129 217
## Negativo Negativo Negativo Negativo Positivo Negativo Positivo Negativo
## 19 327 299 206 501 444 259 10
## Negativo Negativo Positivo Negativo Negativo Negativo Positivo Negativo
## 12 63 231 313 398 472 286 532
## Positivo Negativo Positivo Positivo Negativo Negativo Negativo Negativo
## 412 246 377 207 32 106 442 240
## Negativo Positivo Negativo Positivo Positivo Negativo Negativo Negativo
## 75 208 428 325 200 376 30 273
## Negativo Positivo Positivo Negativo Positivo Positivo Positivo Negativo
## 209 16 184 128 339 103 191 386
## Negativo Negativo Negativo Negativo Positivo Negativo Negativo Negativo
## 190 403 127 284 534 346 51 496
## Positivo Positivo Positivo Positivo Negativo Positivo Negativo Positivo
## 363 219 375 220 229 171 531 401
## Negativo Negativo Negativo Negativo Positivo Negativo Positivo Negativo
## 418 162 366 492 453 130 452
## Positivo Positivo Negativo Negativo Negativo Negativo Positivo
## Levels: Negativo Positivo
#matriz de confusion
table(predichos, test$resultado)
##
## predichos Negativo Positivo
## Negativo 117 33
## Positivo 33 48
#indicadores en este caso (resultado) ya que es la variable dependiente
library(caret)
str(test$resultado)
## Factor w/ 2 levels "Negativo","Positivo": 2 1 1 1 1 1 2 1 2 1 ...
test$resultado=as.factor(test$resultado)
indicadores=confusionMatrix(predichos,test$resultado)
indicadores
## Confusion Matrix and Statistics
##
## Reference
## Prediction Negativo Positivo
## Negativo 117 33
## Positivo 33 48
##
## Accuracy : 0.7143
## 95% CI : (0.6514, 0.7716)
## No Information Rate : 0.6494
## P-Value [Acc > NIR] : 0.02153
##
## Kappa : 0.3726
##
## Mcnemar's Test P-Value : 1.00000
##
## Sensitivity : 0.7800
## Specificity : 0.5926
## Pos Pred Value : 0.7800
## Neg Pred Value : 0.5926
## Prevalence : 0.6494
## Detection Rate : 0.5065
## Detection Prevalence : 0.6494
## Balanced Accuracy : 0.6863
##
## 'Positive' Class : Negativo
##
# al final nos muestra los siguientes resultados:
# accuracy = 0.7273
# sensitivity = 0.8000
# specificity = 0.5926
# la precicion de nuestros indicadores son del 72% , lo cual indica que 168 personas tiene la seguridad en sus predicciones mientras que el resto es mas probable que falle
# lo cual nos quiere decir que tiene el 80% osea 185 personas tienen la certeza de que no tenga diabetes
# y que tiene un 59% osea 137 personas tienen la certeza de que si tenga diabetes