Árboles de Regresión para predecir el precio de casas en Melbourne
AlejandroC
4/3/2020
Las librerías
library(rpart)
library(readr)
library(rpart.plot)
library(dplyr)
library(ggplot2)
library(reshape)
library(caret) # Para dividir conjunto de datosLos datos
- entrena = datos de entrenamiento
- valida = datos de validación
- Vemos los datos con head() y tail() En RUTA, reemplazar la ruta con su directorio de trabajo en donde se encuentre melb_datacomplete.csv
#En RUTA, reemplazar la ruta con su directorio de trabajo en donde se encuentre Sales.csv
ruta <- "D:/inspiron 1545/ESCUELA/ITD/OCTAVO/Analisis Inteligente de Datos/R/datos"
setwd(ruta)
datos <- read_csv("melb_data.csv")## Parsed with column specification:
## cols(
## .default = col_double(),
## Suburb = col_character(),
## Address = col_character(),
## Type = col_character(),
## Method = col_character(),
## SellerG = col_character(),
## Date = col_character(),
## CouncilArea = col_character(),
## Regionname = col_character()
## )## See spec(...) for full column specifications.head(datos)## # A tibble: 6 x 21
## Suburb Address Rooms Type Price Method SellerG Date Distance Postcode
## <chr> <chr> <dbl> <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 Abbot~ 85 Tur~ 2 h 1.48e6 S Biggin 3/12~ 2.5 3067
## 2 Abbot~ 25 Blo~ 2 h 1.03e6 S Biggin 4/02~ 2.5 3067
## 3 Abbot~ 5 Char~ 3 h 1.46e6 SP Biggin 4/03~ 2.5 3067
## 4 Abbot~ 40 Fed~ 3 h 8.50e5 PI Biggin 4/03~ 2.5 3067
## 5 Abbot~ 55a Pa~ 4 h 1.60e6 VB Nelson 4/06~ 2.5 3067
## 6 Abbot~ 129 Ch~ 2 h 9.41e5 S Jellis 7/05~ 2.5 3067
## # ... with 11 more variables: Bedroom2 <dbl>, Bathroom <dbl>, Car <dbl>,
## # Landsize <dbl>, BuildingArea <dbl>, YearBuilt <dbl>, CouncilArea <chr>,
## # Lattitude <dbl>, Longtitude <dbl>, Regionname <chr>, Propertycount <dbl>tail(datos)## # A tibble: 6 x 21
## Suburb Address Rooms Type Price Method SellerG Date Distance Postcode
## <chr> <chr> <dbl> <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 Westm~ 9 Blac~ 3 h 5.82e5 S Red 26/0~ 16.5 3049
## 2 Wheel~ 12 Str~ 4 h 1.25e6 S Barry 26/0~ 16.7 3150
## 3 Willi~ 77 Mer~ 3 h 1.03e6 SP Willia~ 26/0~ 6.8 3016
## 4 Willi~ 83 Pow~ 3 h 1.17e6 S Raine 26/0~ 6.8 3016
## 5 Willi~ 96 Ver~ 4 h 2.50e6 PI Sweeney 26/0~ 6.8 3016
## 6 Yarra~ 6 Agne~ 4 h 1.28e6 SP Village 26/0~ 6.3 3013
## # ... with 11 more variables: Bedroom2 <dbl>, Bathroom <dbl>, Car <dbl>,
## # Landsize <dbl>, BuildingArea <dbl>, YearBuilt <dbl>, CouncilArea <chr>,
## # Lattitude <dbl>, Longtitude <dbl>, Regionname <chr>, Propertycount <dbl>Explorar los conjuntos de datos
summary(datos)## Suburb Address Rooms Type
## Length:13580 Length:13580 Min. : 1.000 Length:13580
## Class :character Class :character 1st Qu.: 2.000 Class :character
## Mode :character Mode :character Median : 3.000 Mode :character
## Mean : 2.938
## 3rd Qu.: 3.000
## Max. :10.000
##
## Price Method SellerG Date
## Min. : 85000 Length:13580 Length:13580 Length:13580
## 1st Qu.: 650000 Class :character Class :character Class :character
## Median : 903000 Mode :character Mode :character Mode :character
## Mean :1075684
## 3rd Qu.:1330000
## Max. :9000000
##
## Distance Postcode Bedroom2 Bathroom
## Min. : 0.00 Min. :3000 Min. : 0.000 Min. :0.000
## 1st Qu.: 6.10 1st Qu.:3044 1st Qu.: 2.000 1st Qu.:1.000
## Median : 9.20 Median :3084 Median : 3.000 Median :1.000
## Mean :10.14 Mean :3105 Mean : 2.915 Mean :1.534
## 3rd Qu.:13.00 3rd Qu.:3148 3rd Qu.: 3.000 3rd Qu.:2.000
## Max. :48.10 Max. :3977 Max. :20.000 Max. :8.000
##
## Car Landsize BuildingArea YearBuilt
## Min. : 0.00 Min. : 0.0 Min. : 0 Min. :1196
## 1st Qu.: 1.00 1st Qu.: 177.0 1st Qu.: 93 1st Qu.:1940
## Median : 2.00 Median : 440.0 Median : 126 Median :1970
## Mean : 1.61 Mean : 558.4 Mean : 152 Mean :1965
## 3rd Qu.: 2.00 3rd Qu.: 651.0 3rd Qu.: 174 3rd Qu.:1999
## Max. :10.00 Max. :433014.0 Max. :44515 Max. :2018
## NA's :62 NA's :6450 NA's :5375
## CouncilArea Lattitude Longtitude Regionname
## Length:13580 Min. :-38.18 Min. :144.4 Length:13580
## Class :character 1st Qu.:-37.86 1st Qu.:144.9 Class :character
## Mode :character Median :-37.80 Median :145.0 Mode :character
## Mean :-37.81 Mean :145.0
## 3rd Qu.:-37.76 3rd Qu.:145.1
## Max. :-37.41 Max. :145.5
##
## Propertycount
## Min. : 249
## 1st Qu.: 4380
## Median : 6555
## Mean : 7454
## 3rd Qu.:10331
## Max. :21650
## str(datos)## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 13580 obs. of 21 variables:
## $ Suburb : chr "Abbotsford" "Abbotsford" "Abbotsford" "Abbotsford" ...
## $ Address : chr "85 Turner St" "25 Bloomburg St" "5 Charles St" "40 Federation La" ...
## $ Rooms : num 2 2 3 3 4 2 3 2 1 2 ...
## $ Type : chr "h" "h" "h" "h" ...
## $ Price : num 1480000 1035000 1465000 850000 1600000 ...
## $ Method : chr "S" "S" "SP" "PI" ...
## $ SellerG : chr "Biggin" "Biggin" "Biggin" "Biggin" ...
## $ Date : chr "3/12/2016" "4/02/2016" "4/03/2017" "4/03/2017" ...
## $ Distance : num 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 ...
## $ Postcode : num 3067 3067 3067 3067 3067 ...
## $ Bedroom2 : num 2 2 3 3 3 2 4 2 1 3 ...
## $ Bathroom : num 1 1 2 2 1 1 2 1 1 1 ...
## $ Car : num 1 0 0 1 2 0 0 2 1 2 ...
## $ Landsize : num 202 156 134 94 120 181 245 256 0 220 ...
## $ BuildingArea : num NA 79 150 NA 142 NA 210 107 NA 75 ...
## $ YearBuilt : num NA 1900 1900 NA 2014 ...
## $ CouncilArea : chr "Yarra" "Yarra" "Yarra" "Yarra" ...
## $ Lattitude : num -37.8 -37.8 -37.8 -37.8 -37.8 ...
## $ Longtitude : num 145 145 145 145 145 ...
## $ Regionname : chr "Northern Metropolitan" "Northern Metropolitan" "Northern Metropolitan" "Northern Metropolitan" ...
## $ Propertycount: num 4019 4019 4019 4019 4019 ...
## - attr(*, "spec")=
## .. cols(
## .. Suburb = col_character(),
## .. Address = col_character(),
## .. Rooms = col_double(),
## .. Type = col_character(),
## .. Price = col_double(),
## .. Method = col_character(),
## .. SellerG = col_character(),
## .. Date = col_character(),
## .. Distance = col_double(),
## .. Postcode = col_double(),
## .. Bedroom2 = col_double(),
## .. Bathroom = col_double(),
## .. Car = col_double(),
## .. Landsize = col_double(),
## .. BuildingArea = col_double(),
## .. YearBuilt = col_double(),
## .. CouncilArea = col_character(),
## .. Lattitude = col_double(),
## .. Longtitude = col_double(),
## .. Regionname = col_character(),
## .. Propertycount = col_double()
## .. )Elegimos sólo las variables numéricas
- Un conjunto de datos únicamente con las variables numéricas del conjunto de datos original.
datos.Num <- select(datos, Price, Rooms, Distance, Bedroom2, Bathroom, Car, Landsize, BuildingArea, YearBuilt, Propertycount)
head(datos.Num)## # A tibble: 6 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.48e6 2 2.5 2 1 1 202 NA NA
## 2 1.03e6 2 2.5 2 1 0 156 79 1900
## 3 1.46e6 3 2.5 3 2 0 134 150 1900
## 4 8.50e5 3 2.5 3 2 1 94 NA NA
## 5 1.60e6 4 2.5 3 1 2 120 142 2014
## 6 9.41e5 2 2.5 2 1 0 181 NA NA
## # ... with 1 more variable: Propertycount <dbl>str(datos.Num)## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 13580 obs. of 10 variables:
## $ Price : num 1480000 1035000 1465000 850000 1600000 ...
## $ Rooms : num 2 2 3 3 4 2 3 2 1 2 ...
## $ Distance : num 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 ...
## $ Bedroom2 : num 2 2 3 3 3 2 4 2 1 3 ...
## $ Bathroom : num 1 1 2 2 1 1 2 1 1 1 ...
## $ Car : num 1 0 0 1 2 0 0 2 1 2 ...
## $ Landsize : num 202 156 134 94 120 181 245 256 0 220 ...
## $ BuildingArea : num NA 79 150 NA 142 NA 210 107 NA 75 ...
## $ YearBuilt : num NA 1900 1900 NA 2014 ...
## $ Propertycount: num 4019 4019 4019 4019 4019 ...
## - attr(*, "spec")=
## .. cols(
## .. Suburb = col_character(),
## .. Address = col_character(),
## .. Rooms = col_double(),
## .. Type = col_character(),
## .. Price = col_double(),
## .. Method = col_character(),
## .. SellerG = col_character(),
## .. Date = col_character(),
## .. Distance = col_double(),
## .. Postcode = col_double(),
## .. Bedroom2 = col_double(),
## .. Bathroom = col_double(),
## .. Car = col_double(),
## .. Landsize = col_double(),
## .. BuildingArea = col_double(),
## .. YearBuilt = col_double(),
## .. CouncilArea = col_character(),
## .. Lattitude = col_double(),
## .. Longtitude = col_double(),
## .. Regionname = col_character(),
## .. Propertycount = col_double()
## .. )Depurar y Limpiar los datos
- ¿Hay algunos NA que puedan afectar al modelo?
- Las variables Car, BuildingArea y YearBuilt tienen NA en summary()
- Primero encontrar los registros y columnas que tienen NA
- Actualizar conforme a su mediana, ¿por qué?, desición del analista, y la finalidad es que no afecten al modelo, que mejor que tengan un valor (la mediana) a que no tengan nada.
mediana.BA <- median(datos.Num$BuildingArea, na.rm = TRUE)
# summary(datos.Num$BuildingArea)[3], como otra alternativa
mediana.YB <- median(datos.Num$YearBuilt, na.rm = TRUE)
# summary(datos.Num$YearBuilt)[3], como otra alternativa
mediana.C <- median(datos.Num$Car, na.rm = TRUE)
# summary(datos.Num$Car)[3], como otra alternativaActualizar mutate() los NA por las medianas
Las variables que tienen NAs
head(datos.Num, 10) #Los primeros 10, se observan NAs## # A tibble: 10 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.48e6 2 2.5 2 1 1 202 NA NA
## 2 1.03e6 2 2.5 2 1 0 156 79 1900
## 3 1.46e6 3 2.5 3 2 0 134 150 1900
## 4 8.50e5 3 2.5 3 2 1 94 NA NA
## 5 1.60e6 4 2.5 3 1 2 120 142 2014
## 6 9.41e5 2 2.5 2 1 0 181 NA NA
## 7 1.88e6 3 2.5 4 2 0 245 210 1910
## 8 1.64e6 2 2.5 2 1 2 256 107 1890
## 9 3.00e5 1 2.5 1 1 1 0 NA NA
## 10 1.10e6 2 2.5 3 1 2 220 75 1900
## # ... with 1 more variable: Propertycount <dbl>datos.Num <- datos.Num %>% mutate (BuildingArea = ifelse(is.na(BuildingArea), mediana.BA, BuildingArea))
datos.Num <- datos.Num %>% mutate (YearBuilt = ifelse(is.na(YearBuilt), mediana.YB, YearBuilt))
datos.Num <- datos.Num %>% mutate (Car = ifelse(is.na(Car), mediana.C, Car))
head(datos.Num, 10)## # A tibble: 10 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.48e6 2 2.5 2 1 1 202 126 1970
## 2 1.03e6 2 2.5 2 1 0 156 79 1900
## 3 1.46e6 3 2.5 3 2 0 134 150 1900
## 4 8.50e5 3 2.5 3 2 1 94 126 1970
## 5 1.60e6 4 2.5 3 1 2 120 142 2014
## 6 9.41e5 2 2.5 2 1 0 181 126 1970
## 7 1.88e6 3 2.5 4 2 0 245 210 1910
## 8 1.64e6 2 2.5 2 1 2 256 107 1890
## 9 3.00e5 1 2.5 1 1 1 0 126 1970
## 10 1.10e6 2 2.5 3 1 2 220 75 1900
## # ... with 1 more variable: Propertycount <dbl>Crear conjuntos de entrenamiento y conjuntos de validación
- Ya se tienen los datos limpios, si NAs
- Primero determinas el 70% de los regisros para entrenamiento.
- Se muestran con head() y número de registros respectivamente.
- Los datos de entrenamiento representan el 70%.
- Los datos de vaidación representan el 30% restante.
set.seed(2020) # Semilla
entrena <- createDataPartition(datos.Num$Price, p=0.7, list = FALSE)
head(entrena)## Resample1
## [1,] 1
## [2,] 3
## [3,] 4
## [4,] 5
## [5,] 7
## [6,] 9nrow(entrena)## [1] 9508#Los registros que no estén en entrena serán los de valiación
head(datos.Num[-entrena,])## # A tibble: 6 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.03e6 2 2.5 2 1 0 156 79 1900
## 2 9.41e5 2 2.5 2 1 0 181 126 1970
## 3 1.64e6 2 2.5 2 1 2 256 107 1890
## 4 1.35e6 3 2.5 3 2 2 214 190 2005
## 5 7.50e5 2 2.5 2 2 1 0 94 2009
## 6 8.90e5 2 2.5 2 1 1 150 73 1985
## # ... with 1 more variable: Propertycount <dbl>nrow(datos.Num[-entrena,])## [1] 4072#Ver los primeros seis datos con sólo variables numéricas
head(datos.Num)## # A tibble: 6 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.48e6 2 2.5 2 1 1 202 126 1970
## 2 1.03e6 2 2.5 2 1 0 156 79 1900
## 3 1.46e6 3 2.5 3 2 0 134 150 1900
## 4 8.50e5 3 2.5 3 2 1 94 126 1970
## 5 1.60e6 4 2.5 3 1 2 120 142 2014
## 6 9.41e5 2 2.5 2 1 0 181 126 1970
## # ... with 1 more variable: Propertycount <dbl>#Ahora a determinar conjuntos de datos de entrenamiento y luego head()
datos.Entrena <- datos.Num[entrena,]
head(datos.Entrena)## # A tibble: 6 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.48e6 2 2.5 2 1 1 202 126 1970
## 2 1.46e6 3 2.5 3 2 0 134 150 1900
## 3 8.50e5 3 2.5 3 2 1 94 126 1970
## 4 1.60e6 4 2.5 3 1 2 120 142 2014
## 5 1.88e6 3 2.5 4 2 0 245 210 1910
## 6 3.00e5 1 2.5 1 1 1 0 126 1970
## # ... with 1 more variable: Propertycount <dbl>summary(datos.Entrena)## Price Rooms Distance Bedroom2
## Min. : 85000 Min. : 1.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 650000 1st Qu.: 2.000 1st Qu.: 6.10 1st Qu.: 2.000
## Median : 903000 Median : 3.000 Median : 9.20 Median : 3.000
## Mean :1078063 Mean : 2.937 Mean :10.13 Mean : 2.911
## 3rd Qu.:1330000 3rd Qu.: 3.000 3rd Qu.:13.00 3rd Qu.: 3.000
## Max. :9000000 Max. :10.000 Max. :47.40 Max. :10.000
## Bathroom Car Landsize BuildingArea
## Min. :0.000 Min. : 0.000 Min. : 0.0 Min. : 0.0
## 1st Qu.:1.000 1st Qu.: 1.000 1st Qu.: 178.0 1st Qu.: 123.0
## Median :1.000 Median : 2.000 Median : 443.5 Median : 126.0
## Mean :1.529 Mean : 1.613 Mean : 579.6 Mean : 136.8
## 3rd Qu.:2.000 3rd Qu.: 2.000 3rd Qu.: 650.0 3rd Qu.: 129.0
## Max. :8.000 Max. :10.000 Max. :433014.0 Max. :6791.0
## YearBuilt Propertycount
## Min. :1830 Min. : 389
## 1st Qu.:1960 1st Qu.: 4386
## Median :1970 Median : 6567
## Mean :1967 Mean : 7453
## 3rd Qu.:1975 3rd Qu.:10331
## Max. :2018 Max. :21650# y conjunto de datos de validación y luego head()
datos.Valida <- datos.Num[-entrena,]
head(datos.Valida)## # A tibble: 6 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.03e6 2 2.5 2 1 0 156 79 1900
## 2 9.41e5 2 2.5 2 1 0 181 126 1970
## 3 1.64e6 2 2.5 2 1 2 256 107 1890
## 4 1.35e6 3 2.5 3 2 2 214 190 2005
## 5 7.50e5 2 2.5 2 2 1 0 94 2009
## 6 8.90e5 2 2.5 2 1 1 150 73 1985
## # ... with 1 more variable: Propertycount <dbl>summary(datos.Valida)## Price Rooms Distance Bedroom2
## Min. : 170000 Min. :1.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 649500 1st Qu.:2.000 1st Qu.: 6.20 1st Qu.: 2.000
## Median : 902500 Median :3.000 Median : 9.20 Median : 3.000
## Mean :1070130 Mean :2.941 Mean :10.15 Mean : 2.923
## 3rd Qu.:1330000 3rd Qu.:4.000 3rd Qu.:13.00 3rd Qu.: 3.000
## Max. :8000000 Max. :8.000 Max. :48.10 Max. :20.000
## Bathroom Car Landsize BuildingArea
## Min. :0.000 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.:1.000 1st Qu.: 1.00 1st Qu.: 173.0 1st Qu.: 120.0
## Median :1.000 Median : 2.00 Median : 435.0 Median : 126.0
## Mean :1.547 Mean : 1.61 Mean : 508.9 Mean : 146.2
## 3rd Qu.:2.000 3rd Qu.: 2.00 3rd Qu.: 653.0 3rd Qu.: 130.0
## Max. :8.000 Max. :10.00 Max. :44500.0 Max. :44515.0
## YearBuilt Propertycount
## Min. :1196 Min. : 249
## 1st Qu.:1960 1st Qu.: 4217
## Median :1970 Median : 6543
## Mean :1967 Mean : 7457
## 3rd Qu.:1972 3rd Qu.:10331
## Max. :2017 Max. :21650Construir el MODELO árbol
- El comando para generar un modelo de árbol de desición, usando la librería rpart. La función lleva el mismo nombre.
set.seed(2020) # Semilla
arbol <- rpart(formula = Price ~ ., data = datos.Entrena)
arbol## n= 9508
##
## node), split, n, deviance, yval
## * denotes terminal node
##
## 1) root 9508 3.905176e+15 1078063.0
## 2) Rooms< 3.5 7161 1.741856e+15 931007.8
## 4) Rooms< 2.5 3023 3.911722e+14 724213.1
## 8) Landsize< 85.5 1214 6.222679e+13 559018.9 *
## 9) Landsize>=85.5 1809 2.735839e+14 835073.1 *
## 5) Rooms>=2.5 4138 1.126966e+15 1082081.0
## 10) Distance>=11.9 1576 2.382967e+14 832810.4 *
## 11) Distance< 11.9 2562 7.305050e+14 1235418.0
## 22) BuildingArea< 156.5 2230 5.283540e+14 1181265.0 *
## 23) BuildingArea>=156.5 332 1.516845e+14 1599162.0 *
## 3) Rooms>=3.5 2347 1.535971e+15 1526746.0
## 6) Distance>=11.45 1075 2.619142e+14 1136763.0 *
## 7) Distance< 11.45 1272 9.723911e+14 1856331.0
## 14) BuildingArea< 246.5 1025 5.968351e+14 1695057.0
## 28) Landsize< 708.5 803 3.644950e+14 1566809.0 *
## 29) Landsize>=708.5 222 1.713594e+14 2158948.0 *
## 15) BuildingArea>=246.5 247 2.382655e+14 2525584.0 *Visualizar el árbol de regresión
- Vamos a verlo gráficamente rpart.
prp(arbol, type = 2, nn = TRUE,
fallen.leaves = TRUE, faclen = 4,
varlen = 8, shadow.col = "gray")
Ver la importancia de las variables en el modelo
- ctable
- La tabla significa resultados comprensibles de los arboles con diferentes números de nodos, el promedio y la desviación std para cada uno de los árboles con el tamaño especificado.
- CP Factor de complejidad del árbol.
- Número de divisiones en el mejor árbol.
- El error relativo.
- El XError otro error.
- STD La desviación estándar.
arbol$cptable## CP nsplit rel error xerror xstd
## 1 0.16064529 0 1.0000000 1.0001908 0.03335304
## 2 0.07724771 1 0.8393547 0.8397732 0.02940088
## 3 0.05728747 2 0.7621070 0.7627294 0.02731604
## 4 0.04050130 3 0.7048195 0.7055469 0.02633946
## 5 0.03515605 4 0.6643182 0.6669834 0.02651936
## 6 0.01561538 5 0.6291622 0.6395277 0.02549443
## 7 0.01417645 6 0.6135468 0.6211866 0.02488627
## 8 0.01292296 7 0.5993704 0.6079174 0.02482012
## 9 0.01000000 8 0.5864474 0.5990287 0.02442405Podar el árbol prune()
- Más simple que el primer árbol
- ¿Cómo elegir la poda?
- Sumar el último valor XError = 0.5990287 + xstd = 0.02442405
- 0.6234527 = 0.5990287 + 0.02442405
- El primer árbol que está por encima de dicho valor.
- El registro 7 encontrar su CP acto de complejidad.
plotcp(arbol)
#### Nodo siete es, servirá para ser un buen modelo
Podar el árbol
- Podar el árbol prune().
- Más simple que el primer árbol.
arbol.Recortado <- prune(arbol, cp = 0.01417645)
prp(arbol.Recortado, type = 2, nn = TRUE,
fallen.leaves = TRUE, faclen = 4,
varlen = 8, shadow.col = "gray")
Predicciones con el conjunto de datos de validación
summary(datos.Valida)## Price Rooms Distance Bedroom2
## Min. : 170000 Min. :1.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 649500 1st Qu.:2.000 1st Qu.: 6.20 1st Qu.: 2.000
## Median : 902500 Median :3.000 Median : 9.20 Median : 3.000
## Mean :1070130 Mean :2.941 Mean :10.15 Mean : 2.923
## 3rd Qu.:1330000 3rd Qu.:4.000 3rd Qu.:13.00 3rd Qu.: 3.000
## Max. :8000000 Max. :8.000 Max. :48.10 Max. :20.000
## Bathroom Car Landsize BuildingArea
## Min. :0.000 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.:1.000 1st Qu.: 1.00 1st Qu.: 173.0 1st Qu.: 120.0
## Median :1.000 Median : 2.00 Median : 435.0 Median : 126.0
## Mean :1.547 Mean : 1.61 Mean : 508.9 Mean : 146.2
## 3rd Qu.:2.000 3rd Qu.: 2.00 3rd Qu.: 653.0 3rd Qu.: 130.0
## Max. :8.000 Max. :10.00 Max. :44500.0 Max. :44515.0
## YearBuilt Propertycount
## Min. :1196 Min. : 249
## 1st Qu.:1960 1st Qu.: 4217
## Median :1970 Median : 6543
## Mean :1967 Mean : 7457
## 3rd Qu.:1972 3rd Qu.:10331
## Max. :2017 Max. :21650prediccion.price <- predict(arbol, newdate = datos.Valida)
#La predicción para la casa 1
datos.Valida[1,]## # A tibble: 1 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.03e6 2 2.5 2 1 0 156 79 1900
## # ... with 1 more variable: Propertycount <dbl>prediccion.price[1]## 1
## 835073.1¿Una predicción con nuevos datos?
- Rooms
- Distance
- Bedroom2
- Bathroom
- Car
- Landsize
- BuildingArea
- YearBuilt
- Propertycount
Price = 0
Rooms = 3
Distance = 7
Bedroom2 = 3
Bathroom = 2
Car = 3
Landsize = 400
BuildingArea = 120
YearBuilt = 1930
Propertycount = 5000
nuevo.Dato <- data.frame(Price,Rooms,Distance,Bedroom2,Bathroom,Car,Landsize,BuildingArea,YearBuilt,Propertycount)
colnames(nuevo.Dato) <- c("Price","Rooms","Distance","Bedroom2","Bathroom","Car","Landsize","BuildingArea","YearBuilt","Propertycount")
nuevo.Dato## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## 1 0 3 7 3 2 3 400 120 1930
## Propertycount
## 1 5000prediccion.rpice <- predict(arbol, newdata = nuevo.Dato)
#La predicción para la casa 1
datos.Valida[1,]## # A tibble: 1 x 10
## Price Rooms Distance Bedroom2 Bathroom Car Landsize BuildingArea YearBuilt
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1.03e6 2 2.5 2 1 0 156 79 1900
## # ... with 1 more variable: Propertycount <dbl>prediccion.price[1]## 1
## 835073.1