Matriz de confusión para estudiantes aprobados LOW, MEDIUM, HIGH
Las librerías
library(readr)
library(dplyr)
Los datos
cat("Los datos ...", "https://app.schoology.com/course/2376784342/materials/gp/2390959605")
## Los datos ... https://app.schoology.com/course/2376784342/materials/gp/2390959605
datos <- read.csv("datos/college-perf.csv",
header = TRUE,
stringsAsFactors = F,
na.strings = TRUE)
head(datos,10)
## SAT GPA Projects Community Income Perf Pred
## 1 1380 2.53 1 0 41800 Low Low
## 2 1100 3.18 1 5 37600 Low Low
## 3 1110 2.73 2 10 34800 Medium Medium
## 4 1180 2.49 3 0 24100 Low High
## 5 1240 2.89 3 5 56000 Medium Medium
## 6 1140 2.85 2 0 50800 Low Low
## 7 970 2.37 1 0 47000 Medium Medium
## 8 1100 2.67 2 0 50900 Medium Medium
## 9 1230 3.01 2 0 37500 Medium Medium
## 10 1280 3.08 0 5 60200 Low Low
tail(datos,10)
## SAT GPA Projects Community Income Perf Pred
## 3991 1200 3.12 0 0 27300 Medium Medium
## 3992 1210 2.97 4 0 49000 High Medium
## 3993 1040 2.86 1 10 49600 Low Low
## 3994 1120 2.41 0 5 39000 Low High
## 3995 1190 3.16 3 5 36800 High High
## 3996 1210 2.81 3 0 39300 Medium Medium
## 3997 1120 3.12 1 0 45900 Medium Low
## 3998 1240 2.66 2 0 49300 Medium Medium
## 3999 1230 2.15 1 10 46400 Low High
## 4000 1200 2.39 2 0 56300 Medium Medium
Explorando los datos
- SAT. Prueba de Razonamiento con valores de puntuación en un rango de 600 a 2400
- GPA. Una medida cuantitativa para evaluar el rendimiento académico de un estudiante
- Grado o Calificación por Letra
- A Excelente 4
- B Bueno 3
- C Adecuado 2
- D Apenas pasando 1
- F Reprobado 0
- Projects. Proyectos particpantes
- Community.Tipo de escuela
- Income
- Perf. Nota Real de un alumno
- Pred. Nota ¿predicha o Predecida?, Lo generó tal vez un modelo gml()
str(datos)
## 'data.frame': 4000 obs. of 7 variables:
## $ SAT : int 1380 1100 1110 1180 1240 1140 970 1100 1230 1280 ...
## $ GPA : num 2.53 3.18 2.73 2.49 2.89 2.85 2.37 2.67 3.01 3.08 ...
## $ Projects : int 1 1 2 3 3 2 1 2 2 0 ...
## $ Community: int 0 5 10 0 5 0 0 0 0 5 ...
## $ Income : int 41800 37600 34800 24100 56000 50800 47000 50900 37500 60200 ...
## $ Perf : chr "Low" "Low" "Medium" "Low" ...
## $ Pred : chr "Low" "Low" "Medium" "High" ...
summary(datos)
## SAT GPA Projects Community
## Min. : 870 Min. :1.750 Min. :0.000 Min. : 0.000
## 1st Qu.:1130 1st Qu.:2.550 1st Qu.:0.000 1st Qu.: 0.000
## Median :1190 Median :2.750 Median :1.000 Median : 5.000
## Mean :1193 Mean :2.753 Mean :1.025 Mean : 5.104
## 3rd Qu.:1260 3rd Qu.:2.950 3rd Qu.:2.000 3rd Qu.:10.000
## Max. :1580 Max. :3.760 Max. :4.000 Max. :20.000
## Income Perf Pred
## Min. :12200 Length:4000 Length:4000
## 1st Qu.:40100 Class :character Class :character
## Median :46500 Mode :character Mode :character
## Mean :46510
## 3rd Qu.:53300
## Max. :82600
names(datos)
## [1] "SAT" "GPA" "Projects" "Community" "Income" "Perf"
## [7] "Pred"
Ordenar las variables de interés
- Ordenar la variable en tipo de factores, darle un sigificado el factor de las calificaciones que exista una jerarquía
- Ahora sería un factor con un orden
datos$Perf <- ordered(datos$Perf,
levels=c("Low", "Medium", "High")
)
datos$Pred <- ordered(datos$Pred,
levels=c("Low", "Medium", "High")
)
summary(datos)
## SAT GPA Projects Community
## Min. : 870 Min. :1.750 Min. :0.000 Min. : 0.000
## 1st Qu.:1130 1st Qu.:2.550 1st Qu.:0.000 1st Qu.: 0.000
## Median :1190 Median :2.750 Median :1.000 Median : 5.000
## Mean :1193 Mean :2.753 Mean :1.025 Mean : 5.104
## 3rd Qu.:1260 3rd Qu.:2.950 3rd Qu.:2.000 3rd Qu.:10.000
## Max. :1580 Max. :3.760 Max. :4.000 Max. :20.000
## Income Perf Pred
## Min. :12200 Low :1332 Low :1351
## 1st Qu.:40100 Medium:2137 Medium:1923
## Median :46500 High : 531 High : 726
## Mean :46510
## 3rd Qu.:53300
## Max. :82600
Generando frecuencias con la función table()
- Tabla de doble entrada o matriz de confusión
- El modelo es capaz de clasificar correctamente (1150 + 1801 + 458) / 4000 * 100
- El 85% de los casos
tabla <- table(datos$Perf, datos$Pred,
dnn = c("Actual", "Predecido"))
tabla
## Predecido
## Actual Low Medium High
## Low 1150 84 98
## Medium 166 1801 170
## High 35 38 458
Generando frecuencias con probabilidades con la función table()
- Tabla de doble entrada o matriz de confusión con probabilidades
prop.table(tabla) # Las probabilidades
## Predecido
## Actual Low Medium High
## Low 0.28750 0.02100 0.02450
## Medium 0.04150 0.45025 0.04250
## High 0.00875 0.00950 0.11450
round(prop.table(tabla, 1) * 100, 2) # Redondear, Lo hace por filas
## Predecido
## Actual Low Medium High
## Low 86.34 6.31 7.36
## Medium 7.77 84.28 7.96
## High 6.59 7.16 86.25
round(prop.table(tabla, 2) * 100, 2) # Redondear, Lo hace por columna
## Predecido
## Actual Low Medium High
## Low 85.12 4.37 13.50
## Medium 12.29 93.66 23.42
## High 2.59 1.98 63.09
Haciendo diagrama de la matriz de confusión
par(mfrow=c(1,1))
barplot(tabla, legend = TRUE, xlab="Nota predecida por el modelo")
Gráfica mosaico de la matriz de confusión
# Mosaic plot simplente
mosaicplot(tabla, main="Eficiencia del modelo")
