Maestría 2020 - UPrivada - Med. Veterinaria
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+$", "",CarreraProfesional) =="MEDICINA VETERINARIA Y ZOOTECNIA" ) %>% droplevels
####################################################
##ANALISIS DE CANTIDAD DE REGISTROS POR SEMESTRE
#Solo se trabaja con datos hasta el primer semestre del 2017
DataSetUPRIVADAFRMTO.tmp <- DataSetUPRIVADAFRMTO[substr(DataSetUPRIVADAFRMTO$CodAlumno, 11, 17)!="2017-2" ,c( "CodAlumno",Var.TodasUprivada)] %>% filter(gsub("^\\s+|\\s+$", "",CarreraProfesional) =="MEDICINA VETERINARIA Y ZOOTECNIA" ) %>% droplevels
X <-table(as.factor(substr(DataSetUPRIVADAFRMTO.tmp$CodAlumno, 11, 17))) %>% as.data.frame()
colnames(X) <- c("Semestre","Cant")
X$ACUMULADO<- cumsum(X$Cant)
X$PorcetAcum = round(100 *X$ACUMULADO / sum(X$Cant))
#Tabla de Frecuencias absolutas y relativas acumuladas por Semestre
X ### SE TOMA LA DECISIÓN DE PARTICINAR para el entrenamiento al semestre 2015-2 que represetan el 73 % de la data total #Para que las variables se visualicen correctamente
for (variable in ListVar.Categ) { levels(DataSetUPRIVADAFRMTO.RF[,variable]) }
nrow(DataSetUPRIVADAFRMTO.RF)[1] 3057summary(DataSetUPRIVADAFRMTO.RF$CarreraProfesional)MEDICINA VETERINARIA Y ZOOTECNIA
3057 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
92.149166 7.850834 summary(DataSetUPRIVADAFRMTO.RF$categoriaBinarizada) NO SI
2817 240 DataSetUPRIVADAFRMTO.RF %>% dplyr::select(categoriaBinarizada) %>%
gather(metric,value) %>%
ggplot(aes(value, fill = metric)) +
geom_bar(show.legend = FALSE) +
facet_wrap(~ metric, scales = "free")
##calculamos las filas para el entrenamiento
TotalFilas <- nrow(DataSetUPRIVADAFRMTO.RF)
#OBservamos el acumulado y la cantidad de alumnos por semestre
X#####Se tomara el 68% de las de la data para entremiento
TrainFilas <- 2078
##VEMOS EL DATASET QUE SE UTILIZARA PARA ENTRENAR
#DataSetUPRIVADAFRMTO.RF
###summary(DataSetUPRIVADAFRMTO.RF$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 III" ,
"MODALIDAD_INGRESOCentro Preuniversitario _ Puno III" ,"MODALIDAD_INGRESOCentro Preuniversitario I" ,
"MODALIDAD_INGRESOCentro Preuniversitario II" ,"MODALIDAD_INGRESOCentro Preuniversitario III" ,
"MODALIDAD_INGRESOCobertura de Metas I" ,"MODALIDAD_INGRESOCobertura de Metas II" ,
"MODALIDAD_INGRESOCobertura de Metas III" ,"MODALIDAD_INGRESOConvenio Andrés Bello" ,
"MODALIDAD_INGRESODeportista Destacado" ,"MODALIDAD_INGRESOGraduado o Profesional Universitario" ,
"MODALIDAD_INGRESOIngreso Adulto" ,"MODALIDAD_INGRESOPrimer Examen General" ,
"MODALIDAD_INGRESOPrimeros Puestos" ,"MODALIDAD_INGRESOSegundo Examen General" ,
"MODALIDAD_INGRESOTercer Examen General" ,"MODALIDAD_INGRESOTercer Examen General Sede Majes" ,
"MODALIDAD_INGRESOTitulado en Instituto Superior" ,"MODALIDAD_INGRESOTitulado en Instituto Superior II" ,
"MODALIDAD_INGRESOTraslado Externo Nacional" ,"MODALIDAD_INGRESOTraslado Externo Nacional II" ,
"MODALIDAD_INGRESOTraslado Interno" ,"MODALIDAD_INGRESOTraslado Interno II" ,
"UBIG_NACIMIENTOABANCAY" ,"UBIG_NACIMIENTOACARI" ,
"UBIG_NACIMIENTOALTO SELVA ALEGRE" ,"UBIG_NACIMIENTOANDAGUA" ,
"UBIG_NACIMIENTOANDAHUAYLAS" ,"UBIG_NACIMIENTOAREQUIPA" ,
"UBIG_NACIMIENTOASILLO" ,"UBIG_NACIMIENTOATE" ,
"UBIG_NACIMIENTOAYAVIRI" ,"UBIG_NACIMIENTOAZANGARO" ,
"UBIG_NACIMIENTOCABANILLAS" ,"UBIG_NACIMIENTOCAJAMARCA" ,
"UBIG_NACIMIENTOCALANA" ,"UBIG_NACIMIENTOCAMANA" ,
"UBIG_NACIMIENTOCAYLLOMA" ,"UBIG_NACIMIENTOCAYMA" ,
"UBIG_NACIMIENTOCERRO COLORADO" ,"UBIG_NACIMIENTOCHALA" ,
"UBIG_NACIMIENTOCHIGUATA" ,"UBIG_NACIMIENTOCHINCHA ALTA" ,
"UBIG_NACIMIENTOCHIVAY" ,"UBIG_NACIMIENTOCHOCOPE" ,
"UBIG_NACIMIENTOCHUQUIBAMBA" ,"UBIG_NACIMIENTOCOLQUEMARCA" ,
"UBIG_NACIMIENTOCOTAHUASI" ,"UBIG_NACIMIENTOCUPI" ,
"UBIG_NACIMIENTOCUSCO" ,"UBIG_NACIMIENTOEL AGUSTINO" ,
"UBIG_NACIMIENTOEL TAMBO" ,"UBIG_NACIMIENTOESPINAR" ,
"UBIG_NACIMIENTOHUANCARQUI" ,"UBIG_NACIMIENTOHUARAZ" ,
"UBIG_NACIMIENTOHUAYNACOTAS" ,"UBIG_NACIMIENTOICA" ,
"UBIG_NACIMIENTOILABAYA" ,"UBIG_NACIMIENTOILO" ,
"UBIG_NACIMIENTOJACOBO HUNTER" ,"UBIG_NACIMIENTOJESUS MARIA" ,
"UBIG_NACIMIENTOJOSE LUIS BUSTAMANTE Y RIVERO" ,"UBIG_NACIMIENTOJULIACA" ,
"UBIG_NACIMIENTOJUNIN" ,"UBIG_NACIMIENTOLA JOYA" ,
"UBIG_NACIMIENTOLIMA" ,"UBIG_NACIMIENTOLLALLI" ,
"UBIG_NACIMIENTOLLUTA" ,"UBIG_NACIMIENTOLURIGANCHO" ,
"UBIG_NACIMIENTOMAJES" ,"UBIG_NACIMIENTOMARIANO MELGAR" ,
"UBIG_NACIMIENTOMARIANO NICOLAS VALCARCEL" ,"UBIG_NACIMIENTOMIRAFLORES" ,
"UBIG_NACIMIENTOMOLLENDO" ,"UBIG_NACIMIENTOMOQUEGUA" ,
"UBIG_NACIMIENTONAZCA" ,"UBIG_NACIMIENTONICOLAS DE PIEROLA" ,
"UBIG_NACIMIENTONUÑOA" ,"UBIG_NACIMIENTOORCOPAMPA" ,
"UBIG_NACIMIENTOORURILLO" ,"UBIG_NACIMIENTOOTRO PAIS" ,
"UBIG_NACIMIENTOPACOCHA" ,"UBIG_NACIMIENTOPAMPACOLCA" ,
"UBIG_NACIMIENTOPAUCARPATA" ,"UBIG_NACIMIENTOPOLOBAYA" ,
"UBIG_NACIMIENTOPUEBLO LIBRE" ,"UBIG_NACIMIENTOPUNO" ,
"UBIG_NACIMIENTOPUQUINA" ,"UBIG_NACIMIENTOPUTINA" ,
"UBIG_NACIMIENTOQUILCA" ,"UBIG_NACIMIENTOQUILLABAMBA" ,
"UBIG_NACIMIENTOSACHACA" ,"UBIG_NACIMIENTOSAMA" ,
"UBIG_NACIMIENTOSAMUEL PASTOR" ,"UBIG_NACIMIENTOSAN BORJA" ,
"UBIG_NACIMIENTOSAN JUAN DE LURIGANCHO" ,"UBIG_NACIMIENTOSAN JUAN DE MIRAFLORES" ,
"UBIG_NACIMIENTOSAN MARTIN DE PORRES" ,"UBIG_NACIMIENTOSAN SEBASTIAN" ,
"UBIG_NACIMIENTOSANTA ANA" ,"UBIG_NACIMIENTOSANTA ROSA" ,
"UBIG_NACIMIENTOSANTIAGO" ,"UBIG_NACIMIENTOSANTO TOMAS" ,
"UBIG_NACIMIENTOSICUANI" ,"UBIG_NACIMIENTOSOCABAYA" ,
"UBIG_NACIMIENTOTACNA" ,"UBIG_NACIMIENTOTAMBOPATA" ,
"UBIG_NACIMIENTOTIABAYA" ,"UBIG_NACIMIENTOTRUJILLO" ,
"UBIG_NACIMIENTOURUBAMBA" ,"UBIG_NACIMIENTOVELILLE" ,
"UBIG_NACIMIENTOVITOR" ,"UBIG_NACIMIENTOWANCHAQ" ,
"UBIG_NACIMIENTOYANAHUARA" ,"UBIG_NACIMIENTOYANQUE" ,
"UBIG_NACIMIENTOYUNGUYO" ,"UBIG_RESIDENCIAALTO SELVA ALEGRE" ,
"UBIG_RESIDENCIAAREQUIPA" ,"UBIG_RESIDENCIABELLA UNION" ,
"UBIG_RESIDENCIACAMANA" ,"UBIG_RESIDENCIACAYMA" ,
"UBIG_RESIDENCIACERRO COLORADO" ,"UBIG_RESIDENCIACHARACATO" ,
"UBIG_RESIDENCIACHUQUIBAMBA" ,"UBIG_RESIDENCIACOLQUEMARCA" ,
"UBIG_RESIDENCIACUSCO" ,"UBIG_RESIDENCIAESPINAR" ,
"UBIG_RESIDENCIAILO" ,"UBIG_RESIDENCIAJACOBO HUNTER" ,
"UBIG_RESIDENCIAJOSE LUIS BUSTAMANTE Y RIVERO" ,"UBIG_RESIDENCIAJULIACA" ,
"UBIG_RESIDENCIAJUNIN" ,"UBIG_RESIDENCIALA JOYA" ,
"UBIG_RESIDENCIALLUTA" ,"UBIG_RESIDENCIAMAJES" ,
"UBIG_RESIDENCIAMARIANO MELGAR" ,"UBIG_RESIDENCIAMIRAFLORES" ,
"UBIG_RESIDENCIAMOLLENDO" ,"UBIG_RESIDENCIAMOQUEGUA" ,
"UBIG_RESIDENCIANICOLAS DE PIEROLA" ,"UBIG_RESIDENCIAPACOCHA" ,
"UBIG_RESIDENCIAPAUCARPATA" ,"UBIG_RESIDENCIAPAUSA" ,
"UBIG_RESIDENCIAPICHIGUA" ,"UBIG_RESIDENCIAPUNO" ,
"UBIG_RESIDENCIASABANDIA" ,"UBIG_RESIDENCIASACHACA" ,
"UBIG_RESIDENCIASAMEGUA" ,"UBIG_RESIDENCIASAN JERONIMO" ,
"UBIG_RESIDENCIASAN SEBASTIAN" ,"UBIG_RESIDENCIASANTA ANA" ,
"UBIG_RESIDENCIASANTIAGO" ,"UBIG_RESIDENCIASICUANI" ,
"UBIG_RESIDENCIASOCABAYA" ,"UBIG_RESIDENCIATACNA" ,
"UBIG_RESIDENCIATAMBURCO" ,"UBIG_RESIDENCIATIABAYA" ,
"UBIG_RESIDENCIAUCHUMAYO" ,"UBIG_RESIDENCIAURUBAMBA" ,
"UBIG_RESIDENCIAWANCHAQ" ,"UBIG_RESIDENCIAYANAHUARA" ,
"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" ,
"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" ,"ProfesionPapaMEDICO" ,
"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" ,
"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" ,
"ProfesionMamaABOGADO" ,"ProfesionMamaADMINISTRADOR DE EMPRESAS" ,
"ProfesionMamaAGRONOMO Y AFINES" ,"ProfesionMamaBIOLOGO" ,
"ProfesionMamaCONTADOR" ,"ProfesionMamaECONOMISTA" ,
"ProfesionMamaENFERMERA" ,"ProfesionMamaFARMACEUTICO" ,
"ProfesionMamaINGENIERO otros" ,"ProfesionMamaINGENIERO ELECTRICISTA ELECTRONICO Y DE TELECOMUN",
"ProfesionMamaINGENIERO INDUSTRIAL" ,"ProfesionMamaINGENIERO QUIMICO" ,
"ProfesionMamaMATEMATICO Y AFINES" ,"ProfesionMamaMEDICO" ,
"ProfesionMamaOBSTETRIZ" ,"ProfesionMamaODONTOLOGO" ,
"ProfesionMamaOTROS" ,"ProfesionMamaPROFESION " ,
"ProfesionMamaPROFESOR" ,"ProfesionMamaPROFESOR DE ACAD Y CENECAPES" ,
"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" ,"OcupacionMamaAGRICULTOR" ,
"OcupacionMamaAMA DE CASA" ,"OcupacionMamaCOMERCIANTE MAYORISTA" ,
"OcupacionMamaCOMERCIANTE MINORISTA" ,"OcupacionMamaCONDUCTOR DE VEHICULO" ,
"OcupacionMamaDISCAPACITADO" ,"OcupacionMamaEMPLEADO" ,
"OcupacionMamaEMPRESARIO" ,"OcupacionMamaFF POLICIALES" ,
"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
2817 240 ##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
1908 170 ##### 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
909 70 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 904 57
SI 5 13cm_RF <- confusionMatrix(predict(RF_MDL,x_testRF), y_testRF,positive="SI")
cm_RF$byClass Sensitivity Specificity Pos Pred Value
0.18571429 0.99449945 0.72222222
Neg Pred Value Precision Recall
0.94068678 0.72222222 0.18571429
F1 Prevalence Detection Rate
0.29545455 0.07150153 0.01327886
Detection Prevalence Balanced Accuracy
0.01838611 0.59010687 RAMDOM FOREST con PESOS para la variable objetivo
#########################################################
#########################################################
# Create model weights (they sum to one)
model_weights <- ifelse(y_trainRF == "NO",
(1/table(y_trainRF)[1]) * 0.1,
(1/table(y_trainRF)[2]) * 0.9
)
summary(model_weights) Min. 1st Qu. Median Mean 3rd Qu. Max.
5.241e-05 5.241e-05 5.241e-05 4.812e-04 5.241e-05 5.294e-03 # Use the same seed to ensure same cross-validation splits
ctrl$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 904 57
SI 5 13cm_RF_Weight <- confusionMatrix(predict(RF_Weight_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Weight$byClass Sensitivity Specificity Pos Pred Value
0.18571429 0.99449945 0.72222222
Neg Pred Value Precision Recall
0.94068678 0.72222222 0.18571429
F1 Prevalence Detection Rate
0.29545455 0.07150153 0.01327886
Detection Prevalence Balanced Accuracy
0.01838611 0.59010687 RAMDOM FOREST con técnica de balanceo “UNDER”
76% para sensitividad
# Build down-sampled model
ctrl$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 768 34
SI 141 36cm_RF_Under <- confusionMatrix(predict(RF_Under_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Under$byClass Sensitivity Specificity Pos Pred Value
0.51428571 0.84268427 0.20111732
Neg Pred Value Precision Recall
0.95750000 0.20111732 0.51428571
F1 Prevalence Detection Rate
0.28915663 0.07150153 0.03677222
Detection Prevalence Balanced Accuracy
0.18283963 0.67848499 RAMDOM FOREST con técnica de balanceo “OVER”
#
ctrl$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 897 51
SI 12 19cm_RF_Over <- confusionMatrix(predict(RF_Over_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Over$byClass Sensitivity Specificity Pos Pred Value
0.27142857 0.98569857 0.59375000
Neg Pred Value Precision Recall
0.94614572 0.59375000 0.27142857
F1 Prevalence Detection Rate
0.37254902 0.07150153 0.01940756
Detection Prevalence Balanced Accuracy
0.03268641 0.62856357 RAMDOM FOREST con técnica de balanceo “SMOTE”
# Build smote model
ctrl$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 889 45
SI 20 25cm_RF_Smote <- confusionMatrix(predict(RF_Smote_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Smote$byClass Sensitivity Specificity Pos Pred Value
0.35714286 0.97799780 0.55555556
Neg Pred Value Precision Recall
0.95182013 0.55555556 0.35714286
F1 Prevalence Detection Rate
0.43478261 0.07150153 0.02553626
Detection Prevalence Balanced Accuracy
0.04596527 0.66757033 RAMDOM FOREST con escalamiento de variables numéricas
#################### #################### ####################
#################### NUEVOS
ctrl <- trainControl(method = "cv", number = 10, repeats = 1, verboseIter = FALSE)
# summary( DataSetUPRIVADAFRMTO.RF$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 894 52
SI 15 18cm_RF_Scale <- confusionMatrix(predict(RF_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 894 53
SI 15 17
Accuracy : 0.9305
95% CI : (0.9128, 0.9457)
No Information Rate : 0.9285
P-Value [Acc > NIR] : 0.433
Kappa : 0.302
Mcnemar's Test P-Value : 7.226e-06
Sensitivity : 0.24286
Specificity : 0.98350
Pos Pred Value : 0.53125
Neg Pred Value : 0.94403
Prevalence : 0.07150
Detection Rate : 0.01736
Detection Prevalence : 0.03269
Balanced Accuracy : 0.61318
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “UNDER”
ctrl$sampling <- "down"
set.seed(696)
RF_Under_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalUnder<- table(predict(RF_Under_Scale_MDL,x_testRF), y_testRF)
mc_originalUnder y_testRF
NO SI
NO 759 31
SI 150 39cm_RF_Under_Scale <- confusionMatrix(predict(RF_Under_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Under_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 759 31
SI 150 39
Accuracy : 0.8151
95% CI : (0.7894, 0.839)
No Information Rate : 0.9285
P-Value [Acc > NIR] : 1
Kappa : 0.2197
Mcnemar's Test P-Value : <2e-16
Sensitivity : 0.55714
Specificity : 0.83498
Pos Pred Value : 0.20635
Neg Pred Value : 0.96076
Prevalence : 0.07150
Detection Rate : 0.03984
Detection Prevalence : 0.19305
Balanced Accuracy : 0.69606
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “OVER”
ctrl$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 896 48
SI 13 22cm_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 896 48
SI 13 22
Accuracy : 0.9377
95% CI : (0.9207, 0.952)
No Information Rate : 0.9285
P-Value [Acc > NIR] : 0.1453
Kappa : 0.39
Mcnemar's Test P-Value : 1.341e-05
Sensitivity : 0.31429
Specificity : 0.98570
Pos Pred Value : 0.62857
Neg Pred Value : 0.94915
Prevalence : 0.07150
Detection Rate : 0.02247
Detection Prevalence : 0.03575
Balanced Accuracy : 0.64999
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “SMOTE”
ctrl$sampling <- "smote"
set.seed(696)
RF_Smote_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalSmote<- table(predict(RF_Smote_Scale_MDL,x_testRF), y_testRF)
mc_originalSmote y_testRF
NO SI
NO 907 66
SI 2 4cm_RF_Smote_Scale <- confusionMatrix(predict(RF_Smote_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Smote_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 907 66
SI 2 4
Accuracy : 0.9305
95% CI : (0.9128, 0.9457)
No Information Rate : 0.9285
P-Value [Acc > NIR] : 0.433
Kappa : 0.095
Mcnemar's Test P-Value : 2.174e-14
Sensitivity : 0.057143
Specificity : 0.997800
Pos Pred Value : 0.666667
Neg Pred Value : 0.932169
Prevalence : 0.071502
Detection Rate : 0.004086
Detection Prevalence : 0.006129
Balanced Accuracy : 0.527471
'Positive' Class : SI
### Arboles de Decisión J48 técnica de balanceo “UNDER”
set.seed(696)
ADj48_Lcaret_MDL <- train(x = x_trainRF,y = y_trainRF,
method = "J48"#,preProcess = c("scale", "center"),
#tuneGrid = hiperparametros,
#metric = "Accuracy",
#trControl = ctrl
)
mc_ADj48_Lcaret<- table(predict(ADj48_Lcaret_MDL,x_testRF), y_testRF)
mc_ADj48_Lcaret y_testRF
NO SI
NO 895 48
SI 14 22cm_ADj48_Lcaret <- confusionMatrix(predict(ADj48_Lcaret_MDL,x_testRF), y_testRF,positive="SI")
cm_ADj48_Lcaret$byClass Sensitivity Specificity Pos Pred Value
0.31428571 0.98459846 0.61111111
Neg Pred Value Precision Recall
0.94909862 0.61111111 0.31428571
F1 Prevalence Detection Rate
0.41509434 0.07150153 0.02247191
Detection Prevalence Balanced Accuracy
0.03677222 0.64944209 ### Arboles de Decisión J48 técnica de balanceo “UNDER” y escalamiento
###CON CARET
ctrl$sampling <- "down"
ADj48_Lcaret_scale_down_MDL <- caret::train(x_trainRF,y_trainRF,method ='J48',preProcess = c("scale", "center"),trControl = ctrl)
mc_ADj48_Lcaret_scale_down<- table(predict(ADj48_Lcaret_scale_down_MDL,x_testRF), y_testRF)
mc_ADj48_Lcaret_scale_down y_testRF
NO SI
NO 723 26
SI 186 44cm_ADj48_Lcaret_scale_down <- confusionMatrix(predict(ADj48_Lcaret_scale_down_MDL,x_testRF), y_testRF,positive="SI")
cm_ADj48_Lcaret_scale_down$byClass Sensitivity Specificity Pos Pred Value
0.62857143 0.79537954 0.19130435
Neg Pred Value Precision Recall
0.96528705 0.19130435 0.62857143
F1 Prevalence Detection Rate
0.29333333 0.07150153 0.04494382
Detection Prevalence Balanced Accuracy
0.23493361 0.71197548 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 909 70cm_NaiveBayes <- confusionMatrix(predict(NaiveBayes_MDL,x_testRF), y_testRF,positive="SI")
cm_NaiveBayesConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 0 0
SI 909 70
Accuracy : 0.0715
95% CI : (0.0562, 0.0895)
No Information Rate : 0.9285
P-Value [Acc > NIR] : 1
Kappa : 0
Mcnemar's Test P-Value : <2e-16
Sensitivity : 1.0000
Specificity : 0.0000
Pos Pred Value : 0.0715
Neg Pred Value : NaN
Prevalence : 0.0715
Detection Rate : 0.0715
Detection Prevalence : 1.0000
Balanced Accuracy : 0.5000
'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_MedVeterinaria2020.csv", sep=",",row.names = FALSE)