Maestría 2020 - UPrivada - Ing. Industrial
Cargamos las librerias a utilizar
#############################################library(dplyr) # for data manipulation
library(caret) # for model-building
library(DMwR) # for smote implementation
library(purrr) # for functional programming (map)
library(pROC)
library(knitr)
library(qgraph)
library(nortest)
library(magrittr)
library(dplyr)
library(tidyr)
library(e1071)
library(OneR)
library(tidyverse) # data manipulation and visualization
library(ggplot2) # plot arrangement
library(gridExtra) # plot arrangement
library(caret)
library(ggplot2)
library(FactoMineR)
library(factoextra)
#library(modes) # MODA VER EL COMPORTAMIENTO GENERAL DE LA INF
library(randomForest)
library(klaR)
#CARGAS DATOS PARA TRABAJAR MODELO PREDICTIVO
############################################
ruta <- 'C:'
setwd('C:')
# ruta <- 'C:/Users/Jhampier/Google Drive/Maestria/TESIS DE MAESTRIA/Proyecto'
# setwd('C:/Users/Jhampier/Google Drive/Maestria/TESIS DE MAESTRIA/Proyecto')
#Leer el conjunto de datos del archivo CSV
DataSetUprivada <- read.table(paste(ruta, "/DataSetUprivadaBinarizadaSinRuidoFuturo.csv",sep=""),header=TRUE,sep=";",stringsAsFactors = FALSE) ## dec="." es separador decimal
##########################################################
########## 2 COMPRESION DE DATOS Y 3 PREPARACIÓN DE DATOS#####
##########################################################
str(DataSetUprivada)'data.frame': 35693 obs. of 28 variables:
$ CodAlumno : chr "20000062092012-1" "20000062092012-2" "20000062092013-1" "20000062092013-2" ...
$ SemestresEstudiadosAcum : int 1 2 3 4 1 2 3 4 1 2 ...
$ CantCursosLlevadosAcum : int 7 15 22 29 6 13 20 28 6 11 ...
$ CursosLlevadosFueraCarreraAcum: int 1 2 3 4 1 2 3 4 1 2 ...
$ AvgSinAplzAcum : chr "10,52" "11,47" "11,41" "11,34" ...
$ AvgConAplzAcum : chr "10,76" "11,59" "11,44" "11,46" ...
$ CantCursosAplzAcum : int 1 1 2 3 2 3 4 6 1 1 ...
$ SumCredTeoAcum : int 15 30 44 58 14 27 40 56 12 21 ...
$ SumCredPraAcum : int 7 14 21 28 6 13 20 27 6 11 ...
$ edad : int 20 20 21 21 20 20 21 21 34 35 ...
$ SEXO : chr "M" "M" "M" "M" ...
$ AvgVezMatriAcum : chr "1,14" "1,13" "1,09" "1,07" ...
$ CarreraProfesional : chr "INGENIERIA AGRONOMICA" "INGENIERIA AGRONOMICA" "INGENIERIA AGRONOMICA" "INGENIERIA AGRONOMICA" ...
$ MODALIDAD_INGRESO : chr "Primeros Puestos" "Primeros Puestos" "Primeros Puestos" "Primeros Puestos" ...
$ ANIO_INGRESO : int 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 ...
$ UBIG_NACIMIENTO : chr "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" ...
$ UBIG_RESIDENCIA : chr "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" "JOSE LUIS BUSTAMANTE Y RIVERO" ...
$ TIPO_VIVIENDA : chr "CASA" "CASA" "CASA" "CASA" ...
$ GradoInstruccionPapa : chr "SUPERIOR UNIV. INCOMPLETA" "SUPERIOR UNIV. INCOMPLETA" "SUPERIOR UNIV. INCOMPLETA" "SUPERIOR UNIV. INCOMPLETA" ...
$ ProfesionPapa : chr "OTROS" "OTROS" "OTROS" "OTROS" ...
$ OcupacionPapa : chr "EMPRESARIO" "EMPRESARIO" "EMPRESARIO" "EMPRESARIO" ...
$ GradoInstruccionMama : chr "SUPERIOR TECNICA INCOMPLETA" "SUPERIOR TECNICA INCOMPLETA" "SUPERIOR TECNICA INCOMPLETA" "SUPERIOR TECNICA INCOMPLETA" ...
$ ProfesionMama : chr "OTROS" "OTROS" "OTROS" "OTROS" ...
$ OcupacionMama : chr "EMPLEADO" "EMPLEADO" "EMPLEADO" "EMPLEADO" ...
$ CantCursosAnulados : int 1 1 1 1 0 0 0 0 0 0 ...
$ categoria : chr "CONTINUA" "CONTINUA" "CONTINUA" "EGRESADO" ...
$ categoriaBinarizada : int 0 0 0 0 0 0 0 1 0 0 ...
$ ProbabDesercion : chr "14,24" "10,24" "6,61" "5,87" ...#DATASET INICILA
DataSetUprivada########################################################
## DIMENSIONES - CANTIDAD DE FILAS Y VARIABLES(COLUMNAS)
nrow(DataSetUprivada)#[1] 35693[1] 35693ncol(DataSetUprivada)#[1] 27 -1 de categoria(var categorica)[1] 28colnames(DataSetUprivada)#Nombres de Variables [1] "CodAlumno" "SemestresEstudiadosAcum"
[3] "CantCursosLlevadosAcum" "CursosLlevadosFueraCarreraAcum"
[5] "AvgSinAplzAcum" "AvgConAplzAcum"
[7] "CantCursosAplzAcum" "SumCredTeoAcum"
[9] "SumCredPraAcum" "edad"
[11] "SEXO" "AvgVezMatriAcum"
[13] "CarreraProfesional" "MODALIDAD_INGRESO"
[15] "ANIO_INGRESO" "UBIG_NACIMIENTO"
[17] "UBIG_RESIDENCIA" "TIPO_VIVIENDA"
[19] "GradoInstruccionPapa" "ProfesionPapa"
[21] "OcupacionPapa" "GradoInstruccionMama"
[23] "ProfesionMama" "OcupacionMama"
[25] "CantCursosAnulados" "categoria"
[27] "categoriaBinarizada" "ProbabDesercion" ##NOMBRES Y TIPOS DE DATOS DE LAS COLUMNAS
#sapply(DataSetUprivada, mode)
#summary(DataSetUprivada)#PODEMOS OBSERVAR EN EL POWER
summary(DataSetUprivada$CarreraProfesional)#PODEMOS OBSERVAR EN EL POWER Length Class Mode
35693 character character ########################################################
########### PREPARACIÓN DE DATA POR VARIABLES ########
########################################################
###Converision para tipo de dato correcto
DataSetUPRIVADAFRMTO <-transform(DataSetUprivada,
SEXO = as.factor(as.character(SEXO)),
CarreraProfesional = as.factor(as.character(CarreraProfesional)),
MODALIDAD_INGRESO = as.factor(as.character(MODALIDAD_INGRESO)),
UBIG_NACIMIENTO = as.factor(as.character(UBIG_NACIMIENTO)),
UBIG_RESIDENCIA = as.factor(as.character(UBIG_RESIDENCIA)),
TIPO_VIVIENDA = as.factor(as.character(TIPO_VIVIENDA)),
GradoInstruccionPapa = as.factor(as.character(GradoInstruccionPapa)),
ProfesionPapa = as.factor(as.character(ProfesionPapa)),
OcupacionPapa = as.factor(as.character(OcupacionPapa)),
GradoInstruccionMama = as.factor(as.character(GradoInstruccionMama)),
ProfesionMama = as.factor(as.character(ProfesionMama)),
OcupacionMama = as.factor(as.character(OcupacionMama))
,categoriaBinarizada = as.factor(as.character(categoriaBinarizada))
)
DataSetUPRIVADAFRMTO[,'AvgSinAplzAcum'] <- as.numeric(sub(",", ".", DataSetUPRIVADAFRMTO[,'AvgSinAplzAcum']
, fixed = TRUE))
DataSetUPRIVADAFRMTO[,'AvgConAplzAcum'] <- as.numeric(sub(",", ".", DataSetUPRIVADAFRMTO[,'AvgConAplzAcum']
, fixed = TRUE))
DataSetUPRIVADAFRMTO[,'AvgVezMatriAcum'] <- as.numeric(sub(",", ".", DataSetUPRIVADAFRMTO[,'AvgVezMatriAcum']
, fixed = TRUE))
DataSetUPRIVADAFRMTO[,'ProbabDesercion'] <- as.numeric(sub(",", ".", DataSetUPRIVADAFRMTO[,'ProbabDesercion']
, fixed = TRUE))
##sapply(DataSetUPRIVADAFRMTO, mode)
ListVar.Categ <- c('SEXO','CarreraProfesional','MODALIDAD_INGRESO'
,'UBIG_NACIMIENTO','UBIG_RESIDENCIA','TIPO_VIVIENDA'
,'GradoInstruccionPapa','ProfesionPapa','OcupacionPapa'
,'GradoInstruccionMama','ProfesionMama','OcupacionMama') # 12
Var.Objetivo <- c('categoriaBinarizada') #c('categoria') # 1
ListVar.Continuas <- c('SemestresEstudiadosAcum'
,'CantCursosLlevadosAcum'
,'CursosLlevadosFueraCarreraAcum'
,'AvgSinAplzAcum','AvgConAplzAcum'
,'CantCursosAplzAcum'
,'SumCredTeoAcum'
,'SumCredPraAcum'
,'edad'
#T#,'AvgVezMatriAcum'
,'ANIO_INGRESO'
#T#,'CantCursosAnulados' # 12
,'ProbabDesercion'
)
Var.Identificacion <- c('CodAlumno') # 1
Var.TodasUprivada <- c(ListVar.Categ ,ListVar.Continuas , Var.Objetivo)
##############################################################################
# ###ORDENAMOS EL DATASET CRONOLOGICAMENTE
############################################################################
### DATASET PREVIO AL ORDENAMIENTO CRONOLóGICO
### DataSetUPRIVADAFRMTO
TotalFilas <- nrow(DataSetUPRIVADAFRMTO) #35687
SortUltimaFila=vector(mode='numeric', length=TotalFilas)
SortUltimaFila2=vector(mode='numeric', length=TotalFilas)
##Obtendremos las variables dle codigod el alumno para ordenar el dataset
NuevoDataSetUPRIVADAFRMTO = data.frame(DataSetUPRIVADAFRMTO, SortUltimaFila,SortUltimaFila2)
#View(NuevoDataSetUPRIVADAFRMTO)
#summary(NuevoDataSetUPRIVADAFRMTO)
NuevoDataSetUPRIVADAFRMTO$SortUltimaFila=as.numeric( substr(NuevoDataSetUPRIVADAFRMTO$CodAlumno, 11, 14))
NuevoDataSetUPRIVADAFRMTO$SortUltimaFila2=as.numeric( substr(NuevoDataSetUPRIVADAFRMTO$CodAlumno, 16, 17))
###ORDENAMOS EL DATA SET
SortNuevoDataSetUPRIVADAFRMTO <- NuevoDataSetUPRIVADAFRMTO[order(NuevoDataSetUPRIVADAFRMTO$SortUltimaFila,NuevoDataSetUPRIVADAFRMTO$SortUltimaFila2),]
#DATASET ORDENADO
SortNuevoDataSetUPRIVADAFRMTO#DATASET ORDENADOSortNuevoDataSetUPRIVADAFRMTO$SortUltimaFila <- NULL ##ELIMINARNOS LAS FILAS DE ORDENAMIENTO
SortNuevoDataSetUPRIVADAFRMTO$SortUltimaFila2 <- NULL ##ELIMINARNOS LAS FILAS DE ORDENAMIENTO
##Reemplamos en el dataset que se trabajarn los modelos
DataSetUPRIVADAFRMTO<-SortNuevoDataSetUPRIVADAFRMTOObservamos el DATASET ordenado cronologicamente
# Resultado DESPUES
DataSetUPRIVADAFRMTO #### EL NUEVO DATA SET SE ENCUENTRA ORDENADO CRONOLOGICAMENTEncol(DataSetUPRIVADAFRMTO) ### CANTIDAD DE VARIABLES[1] 28glimpse(DataSetUPRIVADAFRMTO)Observations: 35,693
Variables: 28
$ CodAlumno <chr> "20000062092012-1", "20000063092012-1"…
$ SemestresEstudiadosAcum <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ CantCursosLlevadosAcum <int> 7, 6, 6, 2, 5, 6, 6, 5, 5, 5, 5, 6, 5,…
$ CursosLlevadosFueraCarreraAcum <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ AvgSinAplzAcum <dbl> 10.52, 10.33, 12.05, 7.33, 8.93, 10.89…
$ AvgConAplzAcum <dbl> 10.76, 10.67, 13.00, 7.50, 9.27, 11.22…
$ CantCursosAplzAcum <int> 1, 2, 1, 1, 1, 1, 0, 2, 0, 0, 1, 1, 0,…
$ SumCredTeoAcum <int> 15, 14, 12, 4, 11, 14, 14, 10, 9, 10, …
$ SumCredPraAcum <int> 7, 6, 6, 2, 3, 6, 6, 5, 5, 5, 5, 5, 4,…
$ edad <int> 20, 20, 34, 19, 22, 20, 20, 20, 26, 20…
$ SEXO <fct> M, M, F, M, F, F, M, M, M, M, M, M, M,…
$ AvgVezMatriAcum <dbl> 1.14, 1.00, 1.00, 2.00, 1.40, 1.00, 1.…
$ CarreraProfesional <fct> INGENIERIA AGRONOMICA, INGENIERIA AGRO…
$ MODALIDAD_INGRESO <fct> Primeros Puestos, Primeros Puestos, Gr…
$ ANIO_INGRESO <int> 2009, 2009, 2009, 2009, 2009, 2009, 20…
$ UBIG_NACIMIENTO <fct> JOSE LUIS BUSTAMANTE Y RIVERO, SAMUEL …
$ UBIG_RESIDENCIA <fct> JOSE LUIS BUSTAMANTE Y RIVERO, JOSE LU…
$ TIPO_VIVIENDA <fct> CASA, DEPARTAMENTO, CASA, CASA, CASA, …
$ GradoInstruccionPapa <fct> SUPERIOR UNIV. INCOMPLETA, SUPERIOR UN…
$ ProfesionPapa <fct> "OTROS", "PROFESION ...", "OTROS", "PR…
$ OcupacionPapa <fct> EMPRESARIO, AGRICULTOR, FF. POLICIALES…
$ GradoInstruccionMama <fct> SUPERIOR TECNICA INCOMPLETA, SECUNDARI…
$ ProfesionMama <fct> OTROS, PROFESION ..., OTROS, PROFESION…
$ OcupacionMama <fct> EMPLEADO, AMA DE CASA, EMPLEADO, AMA D…
$ CantCursosAnulados <int> 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 0, 0,…
$ categoria <chr> "CONTINUA", "CONTINUA", "CONTINUA", "C…
$ categoriaBinarizada <fct> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1,…
$ ProbabDesercion <dbl> 14.24, 14.24, 14.24, 14.24, 14.24, 14.…Configuración para el modelo de entrenamiento
## OBSERVAMOS LAS CARRERAS PROFESIONALES
summary(DataSetUPRIVADAFRMTO$CarreraProfesional) INGENIERIA AGRONOMICA
952
INGENIERIA AGRONOMICA Y AGRICOLA
551
INGENIERIA DE INDUSTRIA ALIMENTARIA
2392
INGENIERIA DE MINAS
3119
INGENIERIA DE SISTEMAS
4537
INGENIERIA ELECTRONICA
3699
INGENIERIA INDUSTRIAL
8791
INGENIERIA MECANICA, MECANICA-ELECTRICA Y MECATRONICA
8528
MEDICINA VETERINARIA Y ZOOTECNIA
3124 #### ACTUALIZAMOS EL VALOR DE ING AGRONÓMICA POR SER EL MISMO DATOS INGENIERIA AGRONOMICA = INGENIERIA AGRONOMICA Y AGRICOLA
DataSetUPRIVADAFRMTO$CarreraProfesional[DataSetUPRIVADAFRMTO$CarreraProfesional == "INGENIERIA AGRONOMICA"] <- "INGENIERIA AGRONOMICA Y AGRICOLA"
DataSetUPRIVADAFRMTO$CarreraProfesional <- droplevels(DataSetUPRIVADAFRMTO$CarreraProfesional)
#### FILTRAMOS DATOS SOLO HASTA EL PRIMER SEMESTRE DEL 2017 POR RAZONES DE DATA COMPLETA"
##Solo se trabaja con dastos hasta el primer semestre del 2017 - Tambien filtraremos la carreara profesional
DataSetUPRIVADAFRMTO.RF <-DataSetUPRIVADAFRMTO[substr(DataSetUPRIVADAFRMTO$CodAlumno, 11, 17)!="2017-2",Var.TodasUprivada] %>% filter(gsub("^\\s+|\\s+$", "",CarreraProfesional) =="INGENIERIA INDUSTRIAL" ) %>% droplevels
####################################################
##ANALISIS DE CANTIDAD DE REGISTROS POR SEMESTRE
#Solo se trabaja con datos hasta el primer semestre del 2017
DataSetUPRIVADAFRMTO.tmp <- DataSetUPRIVADAFRMTO[substr(DataSetUPRIVADAFRMTO$CodAlumno, 11, 17)!="2017-2" ,c( "CodAlumno",Var.TodasUprivada)] %>% filter(gsub("^\\s+|\\s+$", "",CarreraProfesional) =="INGENIERIA INDUSTRIAL" ) %>% droplevels
X <-table(as.factor(substr(DataSetUPRIVADAFRMTO.tmp$CodAlumno, 11, 17))) %>% as.data.frame()
colnames(X) <- c("Semestre","Cant")
X$ACUMULADO<- cumsum(X$Cant)
X$PorcetAcum = round(100 *X$ACUMULADO / sum(X$Cant))
#Tabla de Frecuencias absolutas y relativas acumuladas por Semestre
X ### SE TOMA LA DECISIÓN DE PARTICINAR para el entrenamiento al semestre 2015-2 que represetan el 73 % de la data total #Para que las variables se visualicen correctamente
for (variable in ListVar.Categ) { levels(DataSetUPRIVADAFRMTO.RF[,variable]) }
nrow(DataSetUPRIVADAFRMTO.RF)[1] 8647summary(DataSetUPRIVADAFRMTO.RF$CarreraProfesional)INGENIERIA INDUSTRIAL
8647 DataSetUPRIVADAFRMTO.RF$CarreraProfesional <- NULL
DataSetUPRIVADAFRMTO.RF$categoriaBinarizada <- as.character(DataSetUPRIVADAFRMTO.RF$categoriaBinarizada)
DataSetUPRIVADAFRMTO.RF$categoriaBinarizada[DataSetUPRIVADAFRMTO.RF$categoriaBinarizada == "0"] <- "NO"### LOS QUE CONTINUAN
DataSetUPRIVADAFRMTO.RF$categoriaBinarizada[DataSetUPRIVADAFRMTO.RF$categoriaBinarizada == "1"] <- "SI"### LOS DESERTORES
DataSetUPRIVADAFRMTO.RF$categoriaBinarizada <- factor(DataSetUPRIVADAFRMTO.RF$categoriaBinarizada)LUEGO DE ORDENAR PROCEDEMOS A ENTRENAR EL MODELO
####################################################
####PODEMOS OBSERVAR EL DESBALANCEO DE LAS CLASES
100*prop.table(table(DataSetUPRIVADAFRMTO.RF$categoriaBinarizada))
NO SI
94.969354 5.030646 summary(DataSetUPRIVADAFRMTO.RF$categoriaBinarizada) NO SI
8212 435 DataSetUPRIVADAFRMTO.RF %>% dplyr::select(categoriaBinarizada) %>%
gather(metric,value) %>%
ggplot(aes(value, fill = metric)) +
geom_bar(show.legend = FALSE) +
facet_wrap(~ metric, scales = "free")
##calculamos las filas para el entrenamiento
TotalFilas <- nrow(DataSetUPRIVADAFRMTO.RF)
#OBservamos el acumulado y la cantidad de alumnos por semestre
X#####Se tomara el 71% de las de la data para entremiento
TrainFilas <- 6110
##VEMOS EL DATASET QUE SE UTILIZARA PARA ENTRENAR
#DataSetUPRIVADAFRMTO.RF
###summary(DataSetUPRIVADAFRMTO.RF$ANIO_INGRESO)
#VARIABLES CATEGORICAS
library(dummies)
#Dicotomizacion de variables categoricas
Datos_Dico_cat <- dplyr::select(DataSetUPRIVADAFRMTO.RF
,SEXO,MODALIDAD_INGRESO,UBIG_NACIMIENTO,UBIG_RESIDENCIA
,TIPO_VIVIENDA,GradoInstruccionPapa,ProfesionPapa,OcupacionPapa,GradoInstruccionMama
,ProfesionMama,OcupacionMama)# ListVar.Categ - CarreraProfesional por se se sistemas
Datos_Dico_cat <- dummy.data.frame(Datos_Dico_cat,names=c(
"SEXO","MODALIDAD_INGRESO","UBIG_NACIMIENTO","UBIG_RESIDENCIA"
,"TIPO_VIVIENDA","GradoInstruccionPapa","ProfesionPapa","OcupacionPapa","GradoInstruccionMama"
,"ProfesionMama","OcupacionMama"))#CarreraProfesional
Datos_Dico_cat.names <- c("SemestresEstudiadosAcum" ,"CantCursosLlevadosAcum" ,
"CursosLlevadosFueraCarreraAcum" ,"AvgSinAplzAcum" ,
"AvgConAplzAcum" ,"CantCursosAplzAcum" ,
"SumCredTeoAcum" ,"SumCredPraAcum" ,
"edad" ,"ANIO_INGRESO" ,
"ProbabDesercion" ,"SEXOF" ,
"SEXOM" ,"MODALIDAD_INGRESOCentro Preuniversitario _ Ilo" ,
"MODALIDAD_INGRESOCentro Preuniversitario _ Ilo I" ,"MODALIDAD_INGRESOCentro Preuniversitario _ Ilo II" ,
"MODALIDAD_INGRESOCentro Preuniversitario _ Juliaca II" ,"MODALIDAD_INGRESOCentro Preuniversitario _ Juliaca III" ,
"MODALIDAD_INGRESOCentro Preuniversitario _ Puno II" ,"MODALIDAD_INGRESOCentro Preuniversitario I" ,
"MODALIDAD_INGRESOCentro Preuniversitario II" ,"MODALIDAD_INGRESOCentro Preuniversitario III" ,
"MODALIDAD_INGRESOCobertura de Metas CPU III" ,"MODALIDAD_INGRESOCobertura de Metas I" ,
"MODALIDAD_INGRESOCobertura de Metas II" ,"MODALIDAD_INGRESOCobertura de Metas III" ,
"MODALIDAD_INGRESODeportista Destacado" ,"MODALIDAD_INGRESOGraduado o Profesional Universitario" ,
"MODALIDAD_INGRESOGraduado o Profesional Universitario II" ,"MODALIDAD_INGRESOIngreso Especial Persona con discapacidad" ,
"MODALIDAD_INGRESOPrimer Examen General" ,"MODALIDAD_INGRESOPrimeros Puestos" ,
"MODALIDAD_INGRESOSegundo Examen General" ,"MODALIDAD_INGRESOTercer Examen General" ,
"MODALIDAD_INGRESOTitulado en Instituto Superior" ,"MODALIDAD_INGRESOTitulado en Instituto Superior II" ,
"MODALIDAD_INGRESOTraslado Externo Internacional" ,"MODALIDAD_INGRESOTraslado Externo Nacional" ,
"MODALIDAD_INGRESOTraslado Externo Nacional Esp" ,"MODALIDAD_INGRESOTraslado Externo Nacional II" ,
"MODALIDAD_INGRESOTraslado Interno" ,"MODALIDAD_INGRESOTraslado Interno II" ,
"UBIG_NACIMIENTOABANCAY" ,"UBIG_NACIMIENTOACARI" ,
"UBIG_NACIMIENTOALTO DE LA ALIANZA" ,"UBIG_NACIMIENTOALTO SELVA ALEGRE" ,
"UBIG_NACIMIENTOANDAHUAYLAS" ,"UBIG_NACIMIENTOAPLAO" ,
"UBIG_NACIMIENTOARAPA" ,"UBIG_NACIMIENTOAREQUIPA" ,
"UBIG_NACIMIENTOATE" ,"UBIG_NACIMIENTOATICO" ,
"UBIG_NACIMIENTOAYACUCHO" ,"UBIG_NACIMIENTOAYAVIRI" ,
"UBIG_NACIMIENTOAZANGARO" ,"UBIG_NACIMIENTOBELLAVISTA" ,
"UBIG_NACIMIENTOCAJAMARCA" ,"UBIG_NACIMIENTOCALANA" ,
"UBIG_NACIMIENTOCALLALLI" ,"UBIG_NACIMIENTOCALLAO" ,
"UBIG_NACIMIENTOCALLERIA" ,"UBIG_NACIMIENTOCAMANA" ,
"UBIG_NACIMIENTOCARAVELI" ,"UBIG_NACIMIENTOCASMA" ,
"UBIG_NACIMIENTOCASTILLA" ,"UBIG_NACIMIENTOCAYLLOMA" ,
"UBIG_NACIMIENTOCAYMA" ,"UBIG_NACIMIENTOCERRO COLORADO" ,
"UBIG_NACIMIENTOCHACLACAYO" ,"UBIG_NACIMIENTOCHARACATO" ,
"UBIG_NACIMIENTOCHAUPIMARCA" ,"UBIG_NACIMIENTOCHICLAYO" ,
"UBIG_NACIMIENTOCHIMBOTE" ,"UBIG_NACIMIENTOCHUQUIBAMBA" ,
"UBIG_NACIMIENTOCOCACHACRA" ,"UBIG_NACIMIENTOCOLQUEMARCA" ,
"UBIG_NACIMIENTOCOPORAQUE" ,"UBIG_NACIMIENTOCUSCO" ,
"UBIG_NACIMIENTOEL TAMBO" ,"UBIG_NACIMIENTOESPINAR" ,
"UBIG_NACIMIENTOFERREÑAFE" ,"UBIG_NACIMIENTOHUANCARQUI" ,
"UBIG_NACIMIENTOICA" ,"UBIG_NACIMIENTOILABAYA" ,
"UBIG_NACIMIENTOILO" ,"UBIG_NACIMIENTOINDEPENDENCIA" ,
"UBIG_NACIMIENTOISLAY" ,"UBIG_NACIMIENTOJACOBO HUNTER" ,
"UBIG_NACIMIENTOJESUS MARIA" ,"UBIG_NACIMIENTOJOSE DOMINGO CHOQUEHUANCA" ,
"UBIG_NACIMIENTOJOSE LUIS BUSTAMANTE Y RIVERO" ,"UBIG_NACIMIENTOJOSE MARIA QUIMPER" ,
"UBIG_NACIMIENTOJULIACA" ,"UBIG_NACIMIENTOLA BREA" ,
"UBIG_NACIMIENTOLA JOYA" ,"UBIG_NACIMIENTOLA VICTORIA" ,
"UBIG_NACIMIENTOLAMBAYEQUE" ,"UBIG_NACIMIENTOLIMA" ,
"UBIG_NACIMIENTOMAGDALENA DEL MAR" ,"UBIG_NACIMIENTOMAJES" ,
"UBIG_NACIMIENTOMARANGANI" ,"UBIG_NACIMIENTOMARCONA" ,
"UBIG_NACIMIENTOMARIANO MELGAR" ,"UBIG_NACIMIENTOMARISCAL CACERES" ,
"UBIG_NACIMIENTOMIRAFLORES" ,"UBIG_NACIMIENTOMOLLENDO" ,
"UBIG_NACIMIENTOMOQUEGUA" ,"UBIG_NACIMIENTOMOYOBAMBA" ,
"UBIG_NACIMIENTONAZCA" ,"UBIG_NACIMIENTOOCOÑA" ,
"UBIG_NACIMIENTOORCOPAMPA" ,"UBIG_NACIMIENTOOROPESA" ,
"UBIG_NACIMIENTOOTRO PAIS" ,"UBIG_NACIMIENTOOYON" ,
"UBIG_NACIMIENTOPACOCHA" ,"UBIG_NACIMIENTOPALLPATA" ,
"UBIG_NACIMIENTOPAUCARPATA" ,"UBIG_NACIMIENTOPISCO" ,
"UBIG_NACIMIENTOPIURA" ,"UBIG_NACIMIENTOPUEBLO LIBRE" ,
"UBIG_NACIMIENTOPUNO" ,"UBIG_NACIMIENTOPUTINA" ,
"UBIG_NACIMIENTOQUILLABAMBA" ,"UBIG_NACIMIENTOSABANDIA" ,
"UBIG_NACIMIENTOSACHACA" ,"UBIG_NACIMIENTOSALAS" ,
"UBIG_NACIMIENTOSAN BORJA" ,"UBIG_NACIMIENTOSAN ISIDRO" ,
"UBIG_NACIMIENTOSAN JUAN DE LURIGANCHO" ,"UBIG_NACIMIENTOSAN JUAN DE MIRAFLORES" ,
"UBIG_NACIMIENTOSAN JUAN DE TARUCANI" ,"UBIG_NACIMIENTOSAN PEDRO DE LLOC" ,
"UBIG_NACIMIENTOSANDIA" ,"UBIG_NACIMIENTOSANTA ANA" ,
"UBIG_NACIMIENTOSANTA MARIA DE CHICMO" ,"UBIG_NACIMIENTOSANTIAGO" ,
"UBIG_NACIMIENTOSANTO TOMAS" ,"UBIG_NACIMIENTOSICUANI" ,
"UBIG_NACIMIENTOSOCABAYA" ,"UBIG_NACIMIENTOTACNA" ,
"UBIG_NACIMIENTOTAMBOPATA" ,"UBIG_NACIMIENTOTAMBURCO" ,
"UBIG_NACIMIENTOTORATA" ,"UBIG_NACIMIENTOTRUJILLO" ,
"UBIG_NACIMIENTOUCHUMAYO" ,"UBIG_NACIMIENTOVELILLE" ,
"UBIG_NACIMIENTOVITOR" ,"UBIG_NACIMIENTOWANCHAQ" ,
"UBIG_NACIMIENTOYANAHUARA" ,"UBIG_NACIMIENTOYANAQUIHUA" ,
"UBIG_NACIMIENTOYUCAY" ,"UBIG_NACIMIENTOYUNGUYO" ,
"UBIG_RESIDENCIAALTO SELVA ALEGRE" ,"UBIG_RESIDENCIAAPLAO" ,
"UBIG_RESIDENCIAAREQUIPA" ,"UBIG_RESIDENCIAAYAVIRI" ,
"UBIG_RESIDENCIAAZANGARO" ,"UBIG_RESIDENCIACAMANA" ,
"UBIG_RESIDENCIACARAVELI" ,"UBIG_RESIDENCIACAYMA" ,
"UBIG_RESIDENCIACERRO COLORADO" ,"UBIG_RESIDENCIACHARACATO" ,
"UBIG_RESIDENCIACOCACHACRA" ,"UBIG_RESIDENCIACUSCO" ,
"UBIG_RESIDENCIADEAN VALDIVIA" ,"UBIG_RESIDENCIAILO" ,
"UBIG_RESIDENCIAISLAY" ,"UBIG_RESIDENCIAJACOBO HUNTER" ,
"UBIG_RESIDENCIAJOSE LUIS BUSTAMANTE Y RIVERO" ,"UBIG_RESIDENCIAJOSE MARIA QUIMPER" ,
"UBIG_RESIDENCIAJULIACA" ,"UBIG_RESIDENCIALA JOYA" ,
"UBIG_RESIDENCIAMAJES" ,"UBIG_RESIDENCIAMARANGANI" ,
"UBIG_RESIDENCIAMARIANO MELGAR" ,"UBIG_RESIDENCIAMEJIA" ,
"UBIG_RESIDENCIAMIRAFLORES" ,"UBIG_RESIDENCIAMOLLENDO" ,
"UBIG_RESIDENCIAMOQUEGUA" ,"UBIG_RESIDENCIAPACOCHA" ,
"UBIG_RESIDENCIAPAUCARPATA" ,"UBIG_RESIDENCIAPUNO" ,
"UBIG_RESIDENCIASABANDIA" ,"UBIG_RESIDENCIASACHACA" ,
"UBIG_RESIDENCIASAMUEL PASTOR" ,"UBIG_RESIDENCIASAN JERONIMO" ,
"UBIG_RESIDENCIASAN SEBASTIAN" ,"UBIG_RESIDENCIASANTIAGO" ,
"UBIG_RESIDENCIASICUANI" ,"UBIG_RESIDENCIASOCABAYA" ,
"UBIG_RESIDENCIATACNA" ,"UBIG_RESIDENCIATIABAYA" ,
"UBIG_RESIDENCIAUCHUMAYO" ,"UBIG_RESIDENCIAURACA" ,
"UBIG_RESIDENCIAWANCHAQ" ,"UBIG_RESIDENCIAYANAHUARA" ,
"UBIG_RESIDENCIAYARABAMBA" ,"UBIG_RESIDENCIAYURA" ,
"TIPO_VIVIENDACASA" ,"TIPO_VIVIENDADEPARTAMENTO" ,
"TIPO_VIVIENDAVECINDAD" ,"GradoInstruccionPapaDR MAGISTER ALTA ESPECIALIDAD" ,
"GradoInstruccionPapaEST SUP NO UNIVERSITARIOS" ,"GradoInstruccionPapaGRADUADO UNIVERSITARIO" ,
"GradoInstruccionPapaNINGUNO" ,"GradoInstruccionPapaNIVEL EDUCATIVO " ,
"GradoInstruccionPapaOTROS" ,"GradoInstruccionPapaPRIMARIA COMPLETA" ,
"GradoInstruccionPapaPRIMARIA INCOMPLETA" ,"GradoInstruccionPapaSECUNDARIA COMPLETA" ,
"GradoInstruccionPapaSECUNDARIA INCOMPLETA" ,"GradoInstruccionPapaSUPERIOR TECNICA COMPLETA" ,
"GradoInstruccionPapaSUPERIOR TECNICA INCOMPLETA" ,"GradoInstruccionPapaSUPERIOR UNIV COMPLETA" ,
"GradoInstruccionPapaSUPERIOR UNIV INCOMPLETA" ,"ProfesionPapaABOGADO" ,
"ProfesionPapaADMINISTRADOR DE EMPRESAS" ,"ProfesionPapaAGRONOMO Y AFINES" ,
"ProfesionPapaANTROPOLOGO ARQUEOLOGO HISTORIADOR SOCIOLOGO Y " ,"ProfesionPapaARQUITECTO URBANISTA E INGENIERO DE TRANSITO" ,
"ProfesionPapaBIOLOGO" ,"ProfesionPapaCONTADOR" ,
"ProfesionPapaECONOMISTA" ,"ProfesionPapaENFERMERA" ,
"ProfesionPapaFARMACEUTICO" ,"ProfesionPapaGEOLOGO GEOFISICO Y OCEANOGRAFO" ,
"ProfesionPapaINGENIERO otros" ,"ProfesionPapaINGENIERO CIVIL" ,
"ProfesionPapaINGENIERO DE MINAS METALURGICO Y AFINES" ,"ProfesionPapaINGENIERO DE SISTEMAS" ,
"ProfesionPapaINGENIERO ELECTRICISTA ELECTRONICO Y DE TELECOMUN" ,"ProfesionPapaINGENIERO INDUSTRIAL" ,
"ProfesionPapaINGENIERO MECANICO" ,"ProfesionPapaINGENIERO PESQUERO" ,
"ProfesionPapaINGENIERO QUIMICO" ,"ProfesionPapaMATEMATICO Y AFINES" ,
"ProfesionPapaMEDICO" ,"ProfesionPapaOBSTETRIZ" ,
"ProfesionPapaODONTOLOGO" ,"ProfesionPapaOTROS" ,
"ProfesionPapaPROFESION " ,"ProfesionPapaPROFESOR" ,
"ProfesionPapaPROFESOR DE EDUCACION SECUNDARIA Y BASICA" ,"ProfesionPapaPROFESOR DE UNIVERSIDADES ESEP Y OTROS CENTROS DE",
"ProfesionPapaPROFESOR Y O MAESTRO DE PRIMARIA" ,"ProfesionPapaPSICOLOGO" ,
"ProfesionPapaTRABAJADOR SOCIAL" ,"ProfesionPapaVETERINARIO" ,
"OcupacionPapaAGRICULTOR" ,"OcupacionPapaAMA DE CASA" ,
"OcupacionPapaCOMERCIANTE MAYORISTA" ,"OcupacionPapaCOMERCIANTE MINORISTA" ,
"OcupacionPapaCONDUCTOR DE VEHICULO" ,"OcupacionPapaDISCAPACITADO" ,
"OcupacionPapaEMPLEADO" ,"OcupacionPapaEMPRESARIO" ,
"OcupacionPapaFF POLICIALES" ,"OcupacionPapaFFAA OFICIAL" ,
"OcupacionPapaFFAA SUBALTERNO" ,"OcupacionPapaJUBILADO CESANTE" ,
"OcupacionPapaMICROEMPRESARIO" ,"OcupacionPapaOBRERO" ,
"OcupacionPapaOCUPACION " ,"OcupacionPapaOTRO" ,
"GradoInstruccionMama" ,"GradoInstruccionMamaDR MAGISTER ALTA ESPECIALIDAD" ,
"GradoInstruccionMamaEST SUP NO UNIVERSITARIOS" ,"GradoInstruccionMamaGRADUADO UNIVERSITARIO" ,
"GradoInstruccionMamaNINGUNO" ,"GradoInstruccionMamaNIVEL EDUCATIVO " ,
"GradoInstruccionMamaOTROS" ,"GradoInstruccionMamaPRIMARIA COMPLETA" ,
"GradoInstruccionMamaPRIMARIA INCOMPLETA" ,"GradoInstruccionMamaSECUNDARIA COMPLETA" ,
"GradoInstruccionMamaSECUNDARIA INCOMPLETA" ,"GradoInstruccionMamaSUPERIOR TECNICA COMPLETA" ,
"GradoInstruccionMamaSUPERIOR TECNICA INCOMPLETA" ,"GradoInstruccionMamaSUPERIOR UNIV COMPLETA" ,
"GradoInstruccionMamaSUPERIOR UNIV INCOMPLETA" ,"ProfesionMama" ,
"ProfesionMamaABOGADO" ,"ProfesionMamaADMINISTRADOR DE EMPRESAS" ,
"ProfesionMamaAGRONOMO Y AFINES" ,"ProfesionMamaANTROPOLOGO ARQUEOLOGO HISTORIADOR SOCIOLOGO Y ",
"ProfesionMamaARQUITECTO URBANISTA E INGENIERO DE TRANSITO" ,"ProfesionMamaBIOLOGO" ,
"ProfesionMamaCONTADOR" ,"ProfesionMamaECONOMISTA" ,
"ProfesionMamaENFERMERA" ,"ProfesionMamaFARMACEUTICO" ,
"ProfesionMamaGEOLOGO GEOFISICO Y OCEANOGRAFO" ,"ProfesionMamaINGENIERO otros" ,
"ProfesionMamaINGENIERO CIVIL" ,"ProfesionMamaINGENIERO DE MINAS METALURGICO Y AFINES" ,
"ProfesionMamaINGENIERO DE SISTEMAS" ,"ProfesionMamaINGENIERO ELECTRICISTA ELECTRONICO Y DE TELECOMUN",
"ProfesionMamaINGENIERO INDUSTRIAL" ,"ProfesionMamaINGENIERO PESQUERO" ,
"ProfesionMamaINGENIERO QUIMICO" ,"ProfesionMamaMEDICO" ,
"ProfesionMamaOBSTETRIZ" ,"ProfesionMamaODONTOLOGO" ,
"ProfesionMamaOTROS" ,"ProfesionMamaPROFESION " ,
"ProfesionMamaPROFESOR" ,"ProfesionMamaPROFESOR DE EDUCACION INICIAL O PRE_ESCOLAR" ,
"ProfesionMamaPROFESOR DE EDUCACION SECUNDARIA Y BASICA" ,"ProfesionMamaPROFESOR DE UNIVERSIDADES ESEP Y OTROS CENTROS DE",
"ProfesionMamaPROFESOR Y O MAESTRO DE PRIMARIA" ,"ProfesionMamaPSICOLOGO" ,
"ProfesionMamaTRABAJADOR SOCIAL" ,"ProfesionMamaVETERINARIO" ,
"OcupacionMama" ,"OcupacionMamaAGRICULTOR" ,
"OcupacionMamaAMA DE CASA" ,"OcupacionMamaCOMERCIANTE MAYORISTA" ,
"OcupacionMamaCOMERCIANTE MINORISTA" ,"OcupacionMamaCONDUCTOR DE VEHICULO" ,
"OcupacionMamaDISCAPACITADO" ,"OcupacionMamaEMPLEADO" ,
"OcupacionMamaEMPRESARIO" ,"OcupacionMamaFF POLICIALES" ,
"OcupacionMamaFFAA OFICIAL" ,"OcupacionMamaFFAA SUBALTERNO" ,
"OcupacionMamaJUBILADO CESANTE" ,"OcupacionMamaMICROEMPRESARIO" ,
"OcupacionMamaOBRERO" ,"OcupacionMamaOCUPACION " ,
"OcupacionMamaOTRO" ,"categoriaBinarizada" )AQUI SE APLICAN LOS MODELOS Y SE MUESTRA SUS MATRICES DE CONFUSIÓN COMO REFERENCIA
#str(DataSetUPRIVADAFRMTO.RF)
data<- cbind(
DataSetUPRIVADAFRMTO.RF[,ListVar.Continuas]
,Datos_Dico_cat
,categoriaBinarizada =DataSetUPRIVADAFRMTO.RF[,"categoriaBinarizada"]
)
##RENOMBRAMOS LAS VARIABLES para que puedan ser mas explicativas Datos_Dico_cat.names
colnames(data) <- Datos_Dico_cat.names
####### VERIFICAMOS NUEVAMENTE LA DISTRIBUCIÓN DE LA DATA
summary(data[,"categoriaBinarizada"]) NO SI
8212 435 ##DENIFIMOS LOS NODOS DE ENTRENAMIENTO
x_trainRF <- data[ (1:TrainFilas),!(names(data) %in% c("categoriaBinarizada"))]#DataSetUPRIVADAFRMTO.RF[ (1:TrainFilas),]
y_trainRF <- data[ (1:TrainFilas),'categoriaBinarizada']
summary(y_trainRF) ### DATOS PARA ENTRENAMIENTO NO SI
5870 240 ##### DATOS PARA EVALUACION
x_testRF <- data[ ((TrainFilas+1):TotalFilas),!(names(data) %in% c("categoriaBinarizada"))]
y_testRF <- data[ ((TrainFilas+1):TotalFilas),'categoriaBinarizada']
summary(y_testRF)##### DATOS PARA TESTING NO SI
2342 195 PROCEDEMOS A ENTRENAR LOS DISTINTOS MODELOS
RAMDOM FOREST con validación cruzada
No muestra buenos resultados para sensibilidad debido al parecer a que la variable objetivo es imbalanceada
# configurar función de Evaluación del modelos control para Training para el caso REPEAT CROSS VALIDATION
ctrl <- trainControl(method = "cv", number = 10, repeats = 1, summaryFunction = twoClassSummary, classProbs = TRUE)
## configuramos un parametro de RamdomForest para Tunear el modelo.
tunegrid <- expand.grid(.mtry = c(sqrt(ncol(data))))# Opcional
RF_MDL <- caret::train(x = x_trainRF, y = y_trainRF ,verbose = FALSE
, method = "rf", metric = "Acurracy", tuneGrid = tunegrid
, trControl = ctrl)
mc_PredictOrigTuneGrid<- table(predict(RF_MDL,x_testRF),y_testRF)
mc_PredictOrigTuneGrid y_testRF
NO SI
NO 2342 154
SI 0 41cm_RF <- confusionMatrix(predict(RF_MDL,x_testRF), y_testRF,positive="SI")
cm_RF$byClass Sensitivity Specificity Pos Pred Value
0.21538462 1.00000000 1.00000000
Neg Pred Value Precision Recall
0.93867735 1.00000000 0.21538462
F1 Prevalence Detection Rate
0.35443038 0.07686244 0.01655499
Detection Prevalence Balanced Accuracy
0.01655499 0.60769231 RAMDOM FOREST con PESOS para la variable objetivo
#########################################################
#########################################################
# Create model weights (they sum to one)
model_weights <- ifelse(y_trainRF == "NO",
(1/table(y_trainRF)[1]) * 0.1,
(1/table(y_trainRF)[2]) * 0.9
)
summary(model_weights) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.704e-05 1.704e-05 1.704e-05 1.637e-04 1.704e-05 3.750e-03 # Use the same seed to ensure same cross-validation splits
ctrl$seeds <- RF_MDL$control$seeds
# Build weighted model
RF_Weight_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
weights = model_weights,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictWeightTuneGrid<- table(predict(RF_Weight_MDL,x_testRF),y_testRF)
mc_PredictWeightTuneGrid y_testRF
NO SI
NO 2342 154
SI 0 41cm_RF_Weight <- confusionMatrix(predict(RF_Weight_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Weight$byClass Sensitivity Specificity Pos Pred Value
0.21538462 1.00000000 1.00000000
Neg Pred Value Precision Recall
0.93867735 1.00000000 0.21538462
F1 Prevalence Detection Rate
0.35443038 0.07686244 0.01655499
Detection Prevalence Balanced Accuracy
0.01655499 0.60769231 RAMDOM FOREST con técnica de balanceo “UNDER”
76% para sensitividad
# Build down-sampled model
ctrl$sampling <- "down"
RF_Under_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
tuneGrid = tunegrid,
metric = "Acurracy",
trControl = ctrl)
mc_PredictDownTuneGrid<- table(predict(RF_Under_MDL,x_testRF),y_testRF)
mc_PredictDownTuneGrid y_testRF
NO SI
NO 1945 41
SI 397 154cm_RF_Under <- confusionMatrix(predict(RF_Under_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Under$byClass Sensitivity Specificity Pos Pred Value
0.78974359 0.83005978 0.27898551
Neg Pred Value Precision Recall
0.97934509 0.27898551 0.78974359
F1 Prevalence Detection Rate
0.41231593 0.07686244 0.06070162
Detection Prevalence Balanced Accuracy
0.21757982 0.80990168 RAMDOM FOREST con técnica de balanceo “OVER”
#
ctrl$sampling <- "up"
RF_Over_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictUpTuneGrid<- table(predict(RF_Over_MDL,x_testRF),y_testRF)
mc_PredictUpTuneGrid y_testRF
NO SI
NO 2339 154
SI 3 41cm_RF_Over <- confusionMatrix(predict(RF_Over_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Over$byClass Sensitivity Specificity Pos Pred Value
0.21025641 0.99871904 0.93181818
Neg Pred Value Precision Recall
0.93822704 0.93181818 0.21025641
F1 Prevalence Detection Rate
0.34309623 0.07686244 0.01616082
Detection Prevalence Balanced Accuracy
0.01734332 0.60448773 RAMDOM FOREST con técnica de balanceo “SMOTE”
# Build smote model
ctrl$sampling <- "smote"
RF_Smote_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictSmoteTuneGrid<- table(predict(RF_Smote_MDL,x_testRF),y_testRF)
mc_PredictSmoteTuneGrid y_testRF
NO SI
NO 2297 76
SI 45 119cm_RF_Smote <- confusionMatrix(predict(RF_Smote_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Smote$byClass Sensitivity Specificity Pos Pred Value
0.61025641 0.98035867 0.72121212
Neg Pred Value Precision Recall
0.96795953 0.72121212 0.61025641
F1 Prevalence Detection Rate
0.66111111 0.07686244 0.04690579
Detection Prevalence Balanced Accuracy
0.06503745 0.79530754 RAMDOM FOREST con escalamiento de variables numéricas
#################### #################### ####################
#################### NUEVOS
ctrl <- trainControl(method = "cv", number = 10, repeats = 1, verboseIter = FALSE)
# summary( DataSetUPRIVADAFRMTO.RF$categoriaBinarizada)
# summary(x_trainRF$categoriaBinarizada)
# summary(x_testRF$categoriaBinarizada)
set.seed(696)
RF_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_original<- table(predict(RF_Scale_MDL,x_testRF), y_testRF)
mc_original y_testRF
NO SI
NO 2342 195
SI 0 0cm_RF_Scale <- confusionMatrix(predict(RF_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 2342 195
SI 0 0
Accuracy : 0.9231
95% CI : (0.9121, 0.9332)
No Information Rate : 0.9231
P-Value [Acc > NIR] : 0.519
Kappa : 0
Mcnemar's Test P-Value : <2e-16
Sensitivity : 0.00000
Specificity : 1.00000
Pos Pred Value : NaN
Neg Pred Value : 0.92314
Prevalence : 0.07686
Detection Rate : 0.00000
Detection Prevalence : 0.00000
Balanced Accuracy : 0.50000
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “UNDER”
ctrl$sampling <- "down"
set.seed(696)
RF_Under_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalUnder<- table(predict(RF_Under_Scale_MDL,x_testRF), y_testRF)
mc_originalUnder y_testRF
NO SI
NO 1999 65
SI 343 130cm_RF_Under_Scale <- confusionMatrix(predict(RF_Under_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Under_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 1999 65
SI 343 130
Accuracy : 0.8392
95% CI : (0.8243, 0.8533)
No Information Rate : 0.9231
P-Value [Acc > NIR] : 1
Kappa : 0.3146
Mcnemar's Test P-Value : <2e-16
Sensitivity : 0.66667
Specificity : 0.85354
Pos Pred Value : 0.27484
Neg Pred Value : 0.96851
Prevalence : 0.07686
Detection Rate : 0.05124
Detection Prevalence : 0.18644
Balanced Accuracy : 0.76011
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “OVER”
ctrl$sampling <- "up"
set.seed(696)
RF_Over_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalOver<- table(predict(RF_Over_Scale_MDL,x_testRF), y_testRF)
mc_originalOver y_testRF
NO SI
NO 2331 134
SI 11 61cm_RF_Over_Scale <- confusionMatrix(predict(RF_Over_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Over_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 2331 134
SI 11 61
Accuracy : 0.9428
95% CI : (0.9331, 0.9516)
No Information Rate : 0.9231
P-Value [Acc > NIR] : 6.164e-05
Kappa : 0.4334
Mcnemar's Test P-Value : < 2.2e-16
Sensitivity : 0.31282
Specificity : 0.99530
Pos Pred Value : 0.84722
Neg Pred Value : 0.94564
Prevalence : 0.07686
Detection Rate : 0.02404
Detection Prevalence : 0.02838
Balanced Accuracy : 0.65406
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “SMOTE”
ctrl$sampling <- "smote"
set.seed(696)
RF_Smote_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalSmote<- table(predict(RF_Smote_Scale_MDL,x_testRF), y_testRF)
mc_originalSmote y_testRF
NO SI
NO 2342 193
SI 0 2cm_RF_Smote_Scale <- confusionMatrix(predict(RF_Smote_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Smote_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 2342 193
SI 0 2
Accuracy : 0.9239
95% CI : (0.9129, 0.9339)
No Information Rate : 0.9231
P-Value [Acc > NIR] : 0.4596
Kappa : 0.0188
Mcnemar's Test P-Value : <2e-16
Sensitivity : 0.0102564
Specificity : 1.0000000
Pos Pred Value : 1.0000000
Neg Pred Value : 0.9238659
Prevalence : 0.0768624
Detection Rate : 0.0007883
Detection Prevalence : 0.0007883
Balanced Accuracy : 0.5051282
'Positive' Class : SI
### Arboles de Decisión J48 técnica de balanceo “UNDER”
set.seed(696)
ADj48_Lcaret_MDL <- train(x = x_trainRF,y = y_trainRF,
method = "J48"#,preProcess = c("scale", "center"),
#tuneGrid = hiperparametros,
#metric = "Accuracy",
#trControl = ctrl
)
mc_ADj48_Lcaret<- table(predict(ADj48_Lcaret_MDL,x_testRF), y_testRF)
mc_ADj48_Lcaret y_testRF
NO SI
NO 2342 114
SI 0 81cm_ADj48_Lcaret <- confusionMatrix(predict(ADj48_Lcaret_MDL,x_testRF), y_testRF,positive="SI")
cm_ADj48_Lcaret$byClass Sensitivity Specificity Pos Pred Value
0.41538462 1.00000000 1.00000000
Neg Pred Value Precision Recall
0.95358306 1.00000000 0.41538462
F1 Prevalence Detection Rate
0.58695652 0.07686244 0.03192747
Detection Prevalence Balanced Accuracy
0.03192747 0.70769231 ### Arboles de Decisión J48 técnica de balanceo “UNDER” y escalamiento
###CON CARET
ctrl$sampling <- "down"
ADj48_Lcaret_scale_down_MDL <- caret::train(x_trainRF,y_trainRF,method ='J48',preProcess = c("scale", "center"),trControl = ctrl)
mc_ADj48_Lcaret_scale_down<- table(predict(ADj48_Lcaret_scale_down_MDL,x_testRF), y_testRF)
mc_ADj48_Lcaret_scale_down y_testRF
NO SI
NO 2136 55
SI 206 140cm_ADj48_Lcaret_scale_down <- confusionMatrix(predict(ADj48_Lcaret_scale_down_MDL,x_testRF), y_testRF,positive="SI")
cm_ADj48_Lcaret_scale_down$byClass Sensitivity Specificity Pos Pred Value
0.71794872 0.91204099 0.40462428
Neg Pred Value Precision Recall
0.97489731 0.40462428 0.71794872
F1 Prevalence Detection Rate
0.51756007 0.07686244 0.05518329
Detection Prevalence Balanced Accuracy
0.13638155 0.81499485 NAIVE BAYES
NaiveBayes_MDL <- naiveBayes(x_trainRF,y_trainRF)
mc_originalBayesiano<- table(predict(NaiveBayes_MDL,x_testRF), y_testRF)
mc_originalBayesiano y_testRF
NO SI
NO 0 0
SI 2342 195cm_NaiveBayes <- confusionMatrix(predict(NaiveBayes_MDL,x_testRF), y_testRF,positive="SI")
cm_NaiveBayesConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 0 0
SI 2342 195
Accuracy : 0.0769
95% CI : (0.0668, 0.0879)
No Information Rate : 0.9231
P-Value [Acc > NIR] : 1
Kappa : 0
Mcnemar's Test P-Value : <2e-16
Sensitivity : 1.00000
Specificity : 0.00000
Pos Pred Value : 0.07686
Neg Pred Value : NaN
Prevalence : 0.07686
Detection Rate : 0.07686
Detection Prevalence : 1.00000
Balanced Accuracy : 0.50000
'Positive' Class : SI
RESUMEN DE RESULTADOS
#################################################################################################################
################################### RESUMEN DE RESULTADOS #######################################################
# #################################################################################################################
models <- list( RF = RF_MDL,
RF_Weight = RF_Weight_MDL,
RF_Under = RF_Under_MDL,
RF_Over = RF_Over_MDL,
RF_Smote = RF_Smote_MDL,
RF_Scale = RF_Scale_MDL,
RF_Under_Scale = RF_Under_Scale_MDL,
RF_Over_Scale = RF_Over_Scale_MDL,
RF_Smote_Scale = RF_Smote_Scale_MDL,
ADj48_Lcaret = ADj48_Lcaret_MDL,
ADj48_Lcaret_scale_down = ADj48_Lcaret_scale_down_MDL,
NaiveBayes = NaiveBayes_MDL
)
# resampling <- resamples(models)
# bwplot(resampling)
library(dplyr)
comparison <- data.frame(model = names(models), Sensitivity = rep(NA, length(models)),
Specificity = rep(NA, length(models)), Precision = rep(NA, length(models)),
Recall = rep(NA, length(models)), F1 = rep(NA, length(models)))
for (name in names(models)) {
switch(name,
RF ={rowModel<- 1},
RF_Weight ={rowModel<- 2},
RF_Under ={rowModel<- 3},
RF_Over ={rowModel<- 4}, #smote
RF_Smote ={rowModel<- 5}, #Bayesiano
RF_Scale ={rowModel<- 6},
RF_Under_Scale ={rowModel<- 7},
RF_Under_Over ={rowModel<- 8},
RF_Under_Smote ={rowModel<- 9},
ADj48_Lcaret ={rowModel<- 10},
ADj48_Lcaret_scale_down ={rowModel<- 11},
NaiveBayes = {rowModel<- 12}
)
model <- get(paste0("cm_", name))
comparison[rowModel,'Precision' ] <-model$byClass["Precision"]
comparison[rowModel,'Sensitivity' ] <-model$byClass["Sensitivity"]
comparison[rowModel,'Specificity' ] <-model$byClass["Specificity"] ## IMPORTANTE
comparison[rowModel,'Recall' ] <-model$byClass["Recall"]
comparison[rowModel,'F1' ] <-model$byClass["F1"]
}
comparisoncolnames(comparison) <- c(" model","Sensitivity","Specificity"," Precision"," Recall"," F1");
write.csv(comparison[,1:6],file="UPRIVADA_IngIndustrial2020.csv", sep=",",row.names = FALSE)