Maestría 2020 - UPUblica - 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
DataSetUpublica <- read.table(paste(ruta, "/DataSetUnsaBinarizadaSinRuidoFuturo.csv",sep=""),header=TRUE,sep=";",stringsAsFactors = FALSE) ## dec="." es separador decimal
##########################################################
########## 2 COMPRESION DE DATOS Y 3 PREPARACIÓN DE DATOS#####
##########################################################
str(DataSetUpublica)'data.frame': 17509 obs. of 20 variables:
$ ESCUELA : chr " INGENIERIA INDUSTRIAL " " INGENIERIA INDUSTRIAL " " INGENIERIA INDUSTRIAL " " INGENIERIA INDUSTRIAL " ...
$ Anio_Ingreso : int 1989 1989 1989 1989 1989 1993 1993 1993 1993 1993 ...
$ CUI : int 19890258 19890258 19890258 19890258 19890258 19930161 19930161 19930161 19930161 19930161 ...
$ APELLI_NOMBRES : chr "ARMA/DEL CARPIO, JAIME RAFAEL" "ARMA/DEL CARPIO, JAIME RAFAEL" "ARMA/DEL CARPIO, JAIME RAFAEL" "ARMA/DEL CARPIO, JAIME RAFAEL" ...
$ periodo_matricula : int 2010 2011 2012 2013 2014 2010 2011 2012 2013 2014 ...
$ SEXO : chr "M" "M" "M" "M" ...
$ Edad : int 38 39 40 41 42 33 34 35 36 37 ...
$ LUGAR_NACIMIENTO : chr "Arequipa-Arequipa" "Arequipa-Arequipa" "Arequipa-Arequipa" "Arequipa-Arequipa" ...
$ PRDO_HASTA_MATRICULA: chr "7,8221" "8,4346" "9,0696" "9,864" ...
$ CREDS__APROBADOS : int 78 102 131 173 222 65 73 78 98 124 ...
$ ASIGS__APROBADAS : int 19 25 32 42 54 16 18 19 24 31 ...
$ ASIGS__DESAPROBADAS : int 0 0 0 0 0 0 0 0 0 0 ...
$ LUGAR_RESIDENCIA : chr "Arequipa-Arequipa-Yura" "Arequipa-Arequipa-Yura" "Arequipa-Arequipa-Yura" "Arequipa-Arequipa-Yura" ...
$ ANO_EGRESO_COLEGIO : int 23 24 25 26 27 18 19 20 21 22 ...
$ TIPO_COLEGIO : chr "Nacional" "Nacional" "Nacional" "Nacional" ...
$ LUGAR_COLEGIO : chr "Arequipa-Arequipa-Jacobo Hunter" "Arequipa-Arequipa-Jacobo Hunter" "Arequipa-Arequipa-Jacobo Hunter" "Arequipa-Arequipa-Jacobo Hunter" ...
$ MODALIDAD_INGRESO : chr "Ordinario" "Ordinario" "Ordinario" "Ordinario" ...
$ categoria : chr "CONTINUA" "CONTINUA" "CONTINUA" "CONTINUA" ...
$ categoriaBinarizada : int 0 0 0 0 0 0 0 0 0 0 ...
$ ProbabDesercion : num 4.98 6.67 6.27 7.6 6.86 4.98 6.67 6.27 7.6 6.86 ...#DATASET INICILA
DataSetUpublica########################################################
## DIMENSIONES - CANTIDAD DE FILAS Y VARIABLES(COLUMNAS)
nrow(DataSetUpublica)#[1] 17509[1] 17509ncol(DataSetUpublica)#[1] 18[1] 20colnames(DataSetUpublica)#Nombres de Variables [1] "ESCUELA" "Anio_Ingreso" "CUI"
[4] "APELLI_NOMBRES" "periodo_matricula" "SEXO"
[7] "Edad" "LUGAR_NACIMIENTO" "PRDO_HASTA_MATRICULA"
[10] "CREDS__APROBADOS" "ASIGS__APROBADAS" "ASIGS__DESAPROBADAS"
[13] "LUGAR_RESIDENCIA" "ANO_EGRESO_COLEGIO" "TIPO_COLEGIO"
[16] "LUGAR_COLEGIO" "MODALIDAD_INGRESO" "categoria"
[19] "categoriaBinarizada" "ProbabDesercion" ##NOMBRES Y TIPOS DE DATOS DE LAS COLUMNAS
#sapply(DataSetUpublica, mode)
#summary(DataSetUpublica)#PODEMOS OBSERVAR EN EL POWER
########################################################
########### PREPARACIÓN DE DATA POR VARIABLES ########
########################################################
###Converision para tipo de dato correcto
###Conversion para tipo de dato correcto
DataSetUpublicaFRMTO <-transform(DataSetUpublica,
ESCUELA = as.factor(ESCUELA),
CUI = as.character(CUI),
APELLI_NOMBRES = as.character(APELLI_NOMBRES),
SEXO = as.factor(SEXO),
LUGAR_NACIMIENTO = as.factor(LUGAR_NACIMIENTO),
LUGAR_RESIDENCIA = as.factor(LUGAR_RESIDENCIA),
TIPO_COLEGIO = as.factor(TIPO_COLEGIO),
LUGAR_COLEGIO = as.factor(LUGAR_COLEGIO),
MODALIDAD_INGRESO = as.factor(MODALIDAD_INGRESO),
DESERTOR = as.factor(as.character(categoriaBinarizada))
)
#Retiramos el campo Categoría
DataSetUpublicaFRMTO$categoria <- NULL
#Convertimos a Factor a la varaible Objetivo
levels(DataSetUpublicaFRMTO$DESERTOR) <- c("NO","SI")
# #Por útlimo remobramos el nombre de la Variable objetivo
# colnames(DataSetUpublicaFRMTO)[18] <- "DESERTOR"
DataSetUpublicaFRMTO[,'PRDO_HASTA_MATRICULA'] <- round(as.double(sub(",", "."
, DataSetUpublicaFRMTO[,'PRDO_HASTA_MATRICULA']
, fixed = TRUE)),2)
DataSetUpublicaFRMTO[,'ProbabDesercion'] <- round(as.double(sub(",", "."
, DataSetUpublicaFRMTO[,'ProbabDesercion']
, fixed = TRUE)),2)
DataSetUpublicaFRMTO[,'Anio_Ingreso'] <- as.integer(DataSetUpublicaFRMTO[,'Anio_Ingreso'])
####################################################################################
#Organizamos las variables en Categóricas(Cualitativas) y Cuantitativas(Contínuas)
#Lista de variables categóricas 12 Variables en Total
ListVar.Categ <- c( 'ESCUELA',
'SEXO',
'LUGAR_NACIMIENTO',
'LUGAR_RESIDENCIA',
'TIPO_COLEGIO',
'LUGAR_COLEGIO',
'MODALIDAD_INGRESO'
) # 8
#Lista de variables Continuas 13 Variables en Total
ListVar.Continuas <- c('Anio_Ingreso',
'periodo_matricula',
'Edad',
'CREDS__APROBADOS',
'ASIGS__APROBADAS',
'ASIGS__DESAPROBADAS',
'ANO_EGRESO_COLEGIO',
'PRDO_HASTA_MATRICULA',
'ProbabDesercion'
)
#Variable Objetivo(Target)
Var.Objetivo <- c('DESERTOR') #c('categoria') # 1
#Variable de Idenfitifación
Var.Identificacion <- c('CUI','APELLI_NOMBRES')
#Listado de todas las variables que influenciaran en el modelo
Var.TodasUprivada <- c(ListVar.Continuas,ListVar.Categ , Var.Objetivo)
##############################################################################
# ###ORDENAMOS EL DATASET CRONOLOGICAMENTE
############################################################################
# Se utilizará el campo del Codigo de Alumno para poder ordenar el dataframe
TotalFilas <- nrow(DataSetUpublicaFRMTO) #17509
SortUltimaFila=vector(mode='numeric', length=TotalFilas)
NuevoDataSetUpublicaFRMTO = data.frame(DataSetUpublicaFRMTO, SortUltimaFila)
NuevoDataSetUpublicaFRMTO$SortUltimaFila=as.numeric(NuevoDataSetUpublicaFRMTO$CUI)
###ORDENAMOS EL DATA SET
SortNuevoDataSetUpublicaFRMTO <- NuevoDataSetUpublicaFRMTO[order(NuevoDataSetUpublicaFRMTO$periodo_matricula,NuevoDataSetUpublicaFRMTO$SortUltimaFila),]
SortNuevoDataSetUpublicaFRMTO$SortUltimaFila <- NULL ##ELIMINARNOS LAS FILAS DE ORDENAMIENTO
##Reemplamos en el dataset que se trabajarn los modelos
DataSetUpublicaFRMTO<-SortNuevoDataSetUpublicaFRMTO
####################################################
##ANALISIS DE CANTIDAD DE REGISTROS POR SEMESTRE
####################################################
#Solo se trabaja con datos hasta el primer semestre del 2017
##SE toma la decisón del filtrar los registro del año 2017 que son 491 debido a que no se tienen los registro completos
DataSetUpublicaFRMTO.tmp <- DataSetUpublicaFRMTO[DataSetUpublicaFRMTO$periodo_matricula!=2017
,c( "CUI",Var.TodasUprivada)] %>% droplevels
Tabla_FrecAcumuladas <-table(DataSetUpublicaFRMTO.tmp$periodo_matricula) %>% as.data.frame()
colnames(Tabla_FrecAcumuladas) <- c("AnioMatricula","Cant")
Tabla_FrecAcumuladas$ACUMULADO<- cumsum(Tabla_FrecAcumuladas$Cant)
Tabla_FrecAcumuladas$PorcetAcum = round(100 *Tabla_FrecAcumuladas$ACUMULADO / sum(Tabla_FrecAcumuladas$Cant))
#Tabla de Frecuencias absolutas y relativas acumuladas por Semestre
Tabla_FrecAcumuladas ### SE TOMA LA DECISIÓN DE PARTICINAR para el entrenamiento del 68% de la data es decir hasta el año 2014 registro 11511DataSetUpublicaFRMTO <- DataSetUpublicaFRMTO.tmp
DataSetUpublicaFRMTO.tmp <- NULL
##############################################Observamos el DATASET ordenado cronologicamente
# Resultado DESPUES
DataSetUpublicaFRMTO #### EL NUEVO DATA SET SE ENCUENTRA ORDENADO CRONOLOGICAMENTEncol(DataSetUpublicaFRMTO) ### CANTIDAD DE VARIABLES[1] 18glimpse(DataSetUpublicaFRMTO)Observations: 17,018
Variables: 18
$ CUI <chr> "19890258", "19930161", "19932057", "19940844", …
$ Anio_Ingreso <int> 1989, 1993, 1993, 1994, 1995, 1995, 1996, 1996, …
$ periodo_matricula <int> 2010, 2010, 2010, 2010, 2010, 2010, 2010, 2010, …
$ Edad <int> 38, 33, 35, 36, 33, 37, 31, 31, 30, 30, 28, 30, …
$ CREDS__APROBADOS <int> 78, 65, 216, 103, 156, 208, 162, 72, 78, 208, 94…
$ ASIGS__APROBADAS <int> 19, 16, 55, 25, 38, 51, 41, 18, 21, 47, 23, 22, …
$ ASIGS__DESAPROBADAS <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
$ ANO_EGRESO_COLEGIO <int> 23, 18, 19, 11, 15, 21, 15, 10, 11, 15, 13, 14, …
$ PRDO_HASTA_MATRICULA <dbl> 7.82, 9.54, 10.98, 11.03, 11.92, 11.54, 11.22, 8…
$ ProbabDesercion <dbl> 4.98, 4.98, 4.98, 4.98, 4.98, 4.98, 4.98, 4.98, …
$ ESCUELA <fct> INGENIERIA INDUSTRIAL , INGENIERIA …
$ SEXO <fct> M, M, M, M, M, M, M, F, M, M, M, F, F, M, M, F, …
$ LUGAR_NACIMIENTO <fct> Arequipa-Arequipa, Arequipa-Arequipa, Arequipa-A…
$ LUGAR_RESIDENCIA <fct> Arequipa-Arequipa-Yura, Arequipa-Arequipa-Queque…
$ TIPO_COLEGIO <fct> Nacional, Parroquial, Nacional, Nacional, Partic…
$ LUGAR_COLEGIO <fct> Arequipa-Arequipa-Jacobo Hunter, Arequipa-Arequi…
$ MODALIDAD_INGRESO <fct> Ordinario, Ordinario, Ordinario, Profesionales, …
$ DESERTOR <fct> NO, NO, SI, NO, NO, NO, NO, NO, NO, SI, NO, NO, …Configuración para el modelo de entrenamiento
## OBSERVAMOS LAS ESCUELAS PROFESIONALES
summary(DataSetUpublicaFRMTO$ESCUELA) CIENCIA DE LA COMPUTACION INGENIERIA DE SISTEMAS
810 2431
INGENIERIA ELECTRICA INGENIERIA ELECTRONICA
2537 2976
INGENIERIA EN TELECOMUNICACIONES INGENIERIA INDUSTRIAL
802 4163
INGENIERIA MECANICA
3299 ##Filtraremos la carreara profesional
DataSetUpublicaFRMTO.RF <-DataSetUpublicaFRMTO[,Var.TodasUprivada] %>% filter(gsub("^\\s+|\\s+$", "",ESCUELA) =="INGENIERIA INDUSTRIAL" ) %>% droplevels
####################################################
##ANALISIS DE CANTIDAD DE REGISTROS POR AÑO
#Solo se trabaja con datos hasta el primer semestre del 2017
DataSetUpublicaFRMTO.tmp <- DataSetUpublicaFRMTO[,c( "CUI",Var.TodasUprivada)] %>% filter(gsub("^\\s+|\\s+$", "",ESCUELA) =="INGENIERIA INDUSTRIAL" ) %>% droplevels
X <-table(as.factor(DataSetUpublicaFRMTO.tmp$periodo_matricula)) %>% as.data.frame()
colnames(X) <- c("Anio","Cant")
X$ACUMULADO<- cumsum(X$Cant)
X$PorcetAcum = round(100 *X$ACUMULADO / sum(X$Cant))
#Tabla de Frecuencias absolutas y relativas acumuladas por Semestre
X ### #Para que las variables se visualicen correctamente
for (variable in ListVar.Categ) { levels(DataSetUpublicaFRMTO.RF[,variable]) }
nrow(DataSetUpublicaFRMTO.RF)[1] 4163summary(DataSetUpublicaFRMTO.RF$ESCUELA) INGENIERIA INDUSTRIAL
4163 DataSetUpublicaFRMTO.RF$ESCUELA <- NULLLUEGO DE ORDENAR PROCEDEMOS A ENTRENAR EL MODELO
####################################################
####PODEMOS OBSERVAR EL DESBALANCEO DE LAS CLASES
100*prop.table(table(DataSetUpublicaFRMTO.RF$DESERTOR))
NO SI
97.309632 2.690368 summary(DataSetUpublicaFRMTO.RF$DESERTOR) NO SI
4051 112 DataSetUpublicaFRMTO.RF %>% dplyr::select(DESERTOR) %>%
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(DataSetUpublicaFRMTO.RF)
#OBservamos el acumulado y la cantidad de alumnos por semestre
X#####Se tomara el 73%% de las de la data para entremiento y el resto para TEST
TrainFilas <- 3051
#VARIABLES CATEGORICAS
library(dummies)
#Dicotomizacion de variables categoricas
Datos_Dico_cat <- dplyr::select(DataSetUpublicaFRMTO.RF,
SEXO,LUGAR_NACIMIENTO,LUGAR_RESIDENCIA,TIPO_COLEGIO,LUGAR_COLEGIO,MODALIDAD_INGRESO)
Datos_Dico_cat <- dummy.data.frame(Datos_Dico_cat,names=c(
"SEXO","LUGAR_NACIMIENTO","LUGAR_RESIDENCIA","TIPO_COLEGIO","LUGAR_COLEGIO","MODALIDAD_INGRESO"))
colnames(Datos_Dico_cat) <- c("SEXOF" ,"SEXOM" ,
"LUGAR_NACIMIENTOÁncash-Huaraz" ,"LUGAR_NACIMIENTOÁncash-Huari" ,
"LUGAR_NACIMIENTOApurímac-Abancay" ,"LUGAR_NACIMIENTOApurímac-Antabamba" ,
"LUGAR_NACIMIENTOApurímac-Aymaraes" ,"LUGAR_NACIMIENTOApurímac-Chincheros" ,
"LUGAR_NACIMIENTOArequipa-Arequipa" ,"LUGAR_NACIMIENTOArequipa-Camaná" ,
"LUGAR_NACIMIENTOArequipa-Caravelí" ,"LUGAR_NACIMIENTOArequipa-Castilla" ,
"LUGAR_NACIMIENTOArequipa-Caylloma" ,"LUGAR_NACIMIENTOArequipa-Condesuyos" ,
"LUGAR_NACIMIENTOArequipa-Islay" ,"LUGAR_NACIMIENTOArequipa-La Unión" ,
"LUGAR_NACIMIENTOCajamarca-Jaén" ,"LUGAR_NACIMIENTOCallao-Callao" ,
"LUGAR_NACIMIENTOHuánuco-Dos de Mayo" ,"LUGAR_NACIMIENTOHuánuco-Huánuco" ,
"LUGAR_NACIMIENTOIca-Ica" ,"LUGAR_NACIMIENTOIca-Pisco" ,
"LUGAR_NACIMIENTOJunín-Huancayo" ,"LUGAR_NACIMIENTOJunín-Junín" ,
"LUGAR_NACIMIENTOJunín-Tarma" ,"LUGAR_NACIMIENTOLa Libertad-Trujillo" ,
"LUGAR_NACIMIENTOLambayeque-Chiclayo" ,"LUGAR_NACIMIENTOLoreto-Maynas" ,
"LUGAR_NACIMIENTOMadre de Dios-Manu" ,"LUGAR_NACIMIENTOMadre de Dios-Tahuamanu" ,
"LUGAR_NACIMIENTOMadre de Dios-Tambopata" ,"LUGAR_NACIMIENTOPasco-Daniel Alcides Carrión" ,
"LUGAR_NACIMIENTOPiura-Ayabaca" ,"LUGAR_NACIMIENTOPiura-Morropón" ,
"LUGAR_NACIMIENTOPiura-Paita" ,"LUGAR_NACIMIENTOPiura-Piura" ,
"LUGAR_NACIMIENTOPiura-Sechura" ,"LUGAR_NACIMIENTOPiura-Sullana" ,
"LUGAR_NACIMIENTOPiura-Talara" ,"LUGAR_NACIMIENTOSan Martín-El Dorado" ,
"LUGAR_NACIMIENTOSan Martín-Moyobamba" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Alto Selva Alegre" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Arequipa" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Cayma" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Cerro Colorado" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Characato" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Chiguata" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Jacobo Hunter" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-José Luis Bustamante y Rivero" ,"LUGAR_RESIDENCIAArequipa-Arequipa-La Joya" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Mariano Melgar" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Miraflores" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Pocsi" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Polobaya" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Quequeña" ,"LUGAR_RESIDENCIAArequipa-Arequipa-San Juan de Tarucani" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Santa Isabel de Siguas" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Santa Rita de Siguas" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Socabaya" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Tiabaya" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Vítor" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Yanahuara" ,
"LUGAR_RESIDENCIAArequipa-Arequipa-Yarabamba" ,"LUGAR_RESIDENCIAArequipa-Arequipa-Yura" ,
"TIPO_COLEGIONacional" ,"TIPO_COLEGIOParroquial" ,
"TIPO_COLEGIOParticular" ,"LUGAR_COLEGIOApurímac-Abancay-Abancay" ,
"LUGAR_COLEGIOApurímac-Andahuaylas-San Miguel de Chaccrampa" ,"LUGAR_COLEGIOApurímac-Antabamba-Antabamba" ,
"LUGAR_COLEGIOApurímac-Aymaraes-Chalhuanca" ,"LUGAR_COLEGIOApurímac-Chincheros-Ongoy" ,
"LUGAR_COLEGIOApurímac-Cotabambas-Haquira" ,"LUGAR_COLEGIOArequipa-Arequipa-Alto Selva Alegre" ,
"LUGAR_COLEGIOArequipa-Arequipa-Arequipa" ,"LUGAR_COLEGIOArequipa-Arequipa-Cayma" ,
"LUGAR_COLEGIOArequipa-Arequipa-Cerro Colorado" ,"LUGAR_COLEGIOArequipa-Arequipa-Chiguata" ,
"LUGAR_COLEGIOArequipa-Arequipa-Jacobo Hunter" ,"LUGAR_COLEGIOArequipa-Arequipa-José Luis Bustamante y Rivero" ,
"LUGAR_COLEGIOArequipa-Arequipa-Mariano Melgar" ,"LUGAR_COLEGIOArequipa-Arequipa-Polobaya" ,
"LUGAR_COLEGIOArequipa-Arequipa-San Juan de Tarucani" ,"LUGAR_COLEGIOArequipa-Arequipa-Santa Isabel de Siguas" ,
"LUGAR_COLEGIOArequipa-Arequipa-Santa Rita de Siguas" ,"LUGAR_COLEGIOArequipa-Arequipa-Tiabaya" ,
"LUGAR_COLEGIOArequipa-Arequipa-Vítor" ,"LUGAR_COLEGIOArequipa-Arequipa-Yanahuara" ,
"LUGAR_COLEGIOArequipa-Arequipa-Yarabamba" ,"LUGAR_COLEGIOArequipa-Arequipa-Yura" ,
"LUGAR_COLEGIOArequipa-Camaná-Camaná" ,"LUGAR_COLEGIOArequipa-Camaná-Mariscal Cáceres" ,
"LUGAR_COLEGIOArequipa-Caravelí-Acarí" ,"LUGAR_COLEGIOArequipa-Caravelí-Bella Unión" ,
"LUGAR_COLEGIOArequipa-Caravelí-Cahuacho" ,"LUGAR_COLEGIOArequipa-Caravelí-Caravelí" ,
"LUGAR_COLEGIOArequipa-Caravelí-Cháparra" ,"LUGAR_COLEGIOArequipa-Castilla-Andagua" ,
"LUGAR_COLEGIOArequipa-Castilla-Aplao" ,"LUGAR_COLEGIOArequipa-Castilla-Ayo" ,
"LUGAR_COLEGIOArequipa-Castilla-Huancarqui" ,"LUGAR_COLEGIOArequipa-Castilla-Pampacolca" ,
"LUGAR_COLEGIOArequipa-Caylloma-Achoma" ,"LUGAR_COLEGIOArequipa-Caylloma-Chivay" ,
"LUGAR_COLEGIOArequipa-Caylloma-Ichupampa" ,"LUGAR_COLEGIOArequipa-Caylloma-Maca" ,
"LUGAR_COLEGIOArequipa-Condesuyos-Andaray" ,"LUGAR_COLEGIOArequipa-Condesuyos-Salamanca" ,
"LUGAR_COLEGIOArequipa-Condesuyos-Yanaquihua" ,"LUGAR_COLEGIOArequipa-Islay-Cocachacra" ,
"LUGAR_COLEGIOArequipa-Islay-Deán Valdivia" ,"LUGAR_COLEGIOArequipa-Islay-Mollendo" ,
"LUGAR_COLEGIOArequipa-Islay-Punta de Bombón" ,"LUGAR_COLEGIOArequipa-La Unión-Huaynacotas" ,
"LUGAR_COLEGIOArequipa-La Unión-Puyca" ,"LUGAR_COLEGIOCallao-Callao-Callao" ,
"LUGAR_COLEGIOHuánuco-Dos de Mayo-La Unión" ,"LUGAR_COLEGIOJunín-Huancayo-Chilca" ,
"LUGAR_COLEGIOLambayeque-Chiclayo-Chiclayo" ,"LUGAR_COLEGIOLambayeque-Chiclayo-La Victoria" ,
"LUGAR_COLEGIOLambayeque-Chiclayo-Lagunas" ,"LUGAR_COLEGIOLoreto-Maynas-Iquitos" ,
"LUGAR_COLEGIOMadre de Dios-Tahuamanu-Iñapari" ,"LUGAR_COLEGIOMadre de Dios-Tahuamanu-Tahuamanu" ,
"LUGAR_COLEGIOMadre de Dios-Tambopata-Tambopata" ,"LUGAR_COLEGIOPiura-Ayabaca-Ayabaca" ,
"LUGAR_COLEGIOPiura-Ayabaca-Paimas" ,"LUGAR_COLEGIOPiura-Morropón-Chulucanas" ,
"LUGAR_COLEGIOPiura-Paita-Paita" ,"LUGAR_COLEGIOPiura-Piura-Piura" ,
"LUGAR_COLEGIOPiura-Sullana-Sullana" ,"LUGAR_COLEGIOPiura-Talara-Pariñas" ,
"LUGAR_COLEGIOSan Martín-El Dorado-San Martín" ,"LUGAR_COLEGIOSan Martín-Moyobamba-Moyobamba" ,
"MODALIDAD_INGRESOConvenios y Otros" ,"MODALIDAD_INGRESOCPU" ,
"MODALIDAD_INGRESODeportistas Calificados" ,"MODALIDAD_INGRESOOrdinario" ,
"MODALIDAD_INGRESOPrimeros Puestos" ,"MODALIDAD_INGRESOProfesionales" ,
"MODALIDAD_INGRESOTraslados Externos Nacionales" ,"MODALIDAD_INGRESOTraslados Internos" )AQUI SE APLICAN LOS MODELOS Y SE MUESTRA SUS MATRICES DE CONFUSIÓN COMO REFERENCIA
#str(DataSetUpublicaFRMTO.RF)
data<- cbind(
DataSetUpublicaFRMTO.RF[,ListVar.Continuas]
,Datos_Dico_cat
,DESERTOR =DataSetUpublicaFRMTO.RF[,"DESERTOR"]
)
##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[,"DESERTOR"]) NO SI
4051 112 ##DENIFIMOS LOS NODOS DE ENTRENAMIENTO
x_trainRF <- data[ (1:TrainFilas),!(names(data) %in% c("DESERTOR"))]#DataSetUpublicaFRMTO.RF[ (1:TrainFilas),]
y_trainRF <- data[ (1:TrainFilas),'DESERTOR']
summary(y_trainRF) ### DATOS PARA ENTRENAMIENTO NO SI
2974 77 ##### DATOS PARA EVALUACION
x_testRF <- data[ ((TrainFilas+1):TotalFilas),!(names(data) %in% c("DESERTOR"))]
y_testRF <- data[ ((TrainFilas+1):TotalFilas),'DESERTOR']
summary(y_testRF)##### DATOS PARA TESTING NO SI
1077 35 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 1073 30
SI 4 5cm_RF <- confusionMatrix(predict(RF_MDL,x_testRF), y_testRF,positive="SI")
cm_RF$byClass Sensitivity Specificity Pos Pred Value
0.142857143 0.996285980 0.555555556
Neg Pred Value Precision Recall
0.972801451 0.555555556 0.142857143
F1 Prevalence Detection Rate
0.227272727 0.031474820 0.004496403
Detection Prevalence Balanced Accuracy
0.008093525 0.569571561 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.
3.362e-05 3.362e-05 3.362e-05 3.278e-04 3.362e-05 1.169e-02 # Use the same seed to ensure same cross-validation splits
ctrl$seeds <- RF_MDL$control$seeds
# Build weighted model
RF_Weight_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
weights = model_weights,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictWeightTuneGrid<- table(predict(RF_Weight_MDL,x_testRF),y_testRF)
mc_PredictWeightTuneGrid y_testRF
NO SI
NO 1073 30
SI 4 5cm_RF_Weight <- confusionMatrix(predict(RF_Weight_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Weight$byClass Sensitivity Specificity Pos Pred Value
0.142857143 0.996285980 0.555555556
Neg Pred Value Precision Recall
0.972801451 0.555555556 0.142857143
F1 Prevalence Detection Rate
0.227272727 0.031474820 0.004496403
Detection Prevalence Balanced Accuracy
0.008093525 0.569571561 RAMDOM FOREST con técnica de balanceo “UNDER”
76% para sensitividad
# Build down-sampled model
ctrl$sampling <- "down"
RF_Under_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
tuneGrid = tunegrid,
metric = "Acurracy",
trControl = ctrl)
mc_PredictDownTuneGrid<- table(predict(RF_Under_MDL,x_testRF),y_testRF)
mc_PredictDownTuneGrid y_testRF
NO SI
NO 847 11
SI 230 24cm_RF_Under <- confusionMatrix(predict(RF_Under_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Under$byClass Sensitivity Specificity Pos Pred Value
0.68571429 0.78644383 0.09448819
Neg Pred Value Precision Recall
0.98717949 0.09448819 0.68571429
F1 Prevalence Detection Rate
0.16608997 0.03147482 0.02158273
Detection Prevalence Balanced Accuracy
0.22841727 0.73607906 RAMDOM FOREST con técnica de balanceo “OVER”
#
ctrl$sampling <- "up"
RF_Over_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictUpTuneGrid<- table(predict(RF_Over_MDL,x_testRF),y_testRF)
mc_PredictUpTuneGrid y_testRF
NO SI
NO 1071 28
SI 6 7cm_RF_Over <- confusionMatrix(predict(RF_Over_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Over$byClass Sensitivity Specificity Pos Pred Value
0.200000000 0.994428969 0.538461538
Neg Pred Value Precision Recall
0.974522293 0.538461538 0.200000000
F1 Prevalence Detection Rate
0.291666667 0.031474820 0.006294964
Detection Prevalence Balanced Accuracy
0.011690647 0.597214485 RAMDOM FOREST con técnica de balanceo “SMOTE”
# Build smote model
ctrl$sampling <- "smote"
RF_Smote_MDL <- train(x = x_trainRF, y = y_trainRF,
method = "rf",
verbose = FALSE,
metric = "Acurracy",
tuneGrid = tunegrid,
trControl = ctrl)
mc_PredictSmoteTuneGrid<- table(predict(RF_Smote_MDL,x_testRF),y_testRF)
mc_PredictSmoteTuneGrid y_testRF
NO SI
NO 1021 20
SI 56 15cm_RF_Smote <- confusionMatrix(predict(RF_Smote_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Smote$byClass Sensitivity Specificity Pos Pred Value
0.42857143 0.94800371 0.21126761
Neg Pred Value Precision Recall
0.98078770 0.21126761 0.42857143
F1 Prevalence Detection Rate
0.28301887 0.03147482 0.01348921
Detection Prevalence Balanced Accuracy
0.06384892 0.68828757 RAMDOM FOREST con escalamiento de variables numéricas
#################### #################### ####################
#################### NUEVOS
ctrl <- trainControl(method = "cv", number = 10, repeats = 1, verboseIter = FALSE)
# summary( DataSetUpublicaFRMTO.RF$DESERTOR)
# summary(x_trainRF$DESERTOR)
# summary(x_testRF$DESERTOR)
set.seed(696)
RF_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_original<- table(predict(RF_Scale_MDL,x_testRF), y_testRF)
mc_original y_testRF
NO SI
NO 1073 30
SI 4 5cm_RF_Scale <- confusionMatrix(predict(RF_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 1073 30
SI 4 5
Accuracy : 0.9694
95% CI : (0.9575, 0.9787)
No Information Rate : 0.9685
P-Value [Acc > NIR] : 0.4764
Kappa : 0.2172
Mcnemar's Test P-Value : 1.807e-05
Sensitivity : 0.142857
Specificity : 0.996286
Pos Pred Value : 0.555556
Neg Pred Value : 0.972801
Prevalence : 0.031475
Detection Rate : 0.004496
Detection Prevalence : 0.008094
Balanced Accuracy : 0.569572
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “UNDER”
ctrl$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 856 11
SI 221 24cm_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 856 11
SI 221 24
Accuracy : 0.7914
95% CI : (0.7663, 0.8149)
No Information Rate : 0.9685
P-Value [Acc > NIR] : 1
Kappa : 0.1231
Mcnemar's Test P-Value : <2e-16
Sensitivity : 0.68571
Specificity : 0.79480
Pos Pred Value : 0.09796
Neg Pred Value : 0.98731
Prevalence : 0.03147
Detection Rate : 0.02158
Detection Prevalence : 0.22032
Balanced Accuracy : 0.74026
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “OVER”
ctrl$sampling <- "up"
set.seed(696)
RF_Over_Scale_MDL <- caret::train(x = x_trainRF, y = y_trainRF,
method = "rf", preProcess = c("scale", "center"),
trControl = ctrl)
mc_originalOver<- table(predict(RF_Over_Scale_MDL,x_testRF), y_testRF)
mc_originalOver y_testRF
NO SI
NO 1072 30
SI 5 5cm_RF_Over_Scale <- confusionMatrix(predict(RF_Over_Scale_MDL,x_testRF), y_testRF,positive="SI")
cm_RF_Over_ScaleConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 1072 30
SI 5 5
Accuracy : 0.9685
95% CI : (0.9565, 0.978)
No Information Rate : 0.9685
P-Value [Acc > NIR] : 0.5448
Kappa : 0.2112
Mcnemar's Test P-Value : 4.976e-05
Sensitivity : 0.142857
Specificity : 0.995357
Pos Pred Value : 0.500000
Neg Pred Value : 0.972777
Prevalence : 0.031475
Detection Rate : 0.004496
Detection Prevalence : 0.008993
Balanced Accuracy : 0.569107
'Positive' Class : SI
RAMDOM FOREST con escalamiento de variables numéricas y balanceo “SMOTE”
ctrl$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 1076 34
SI 1 1cm_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 1076 34
SI 1 1
Accuracy : 0.9685
95% CI : (0.9565, 0.978)
No Information Rate : 0.9685
P-Value [Acc > NIR] : 0.5448
Kappa : 0.0508
Mcnemar's Test P-Value : 6.338e-08
Sensitivity : 0.0285714
Specificity : 0.9990715
Pos Pred Value : 0.5000000
Neg Pred Value : 0.9693694
Prevalence : 0.0314748
Detection Rate : 0.0008993
Detection Prevalence : 0.0017986
Balanced Accuracy : 0.5138215
'Positive' Class : SI
### Arboles de Decisión J48 técnica de balanceo “UNDER”
library("RWeka")
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 1070 31
SI 7 4cm_ADj48_Lcaret <- confusionMatrix(predict(ADj48_Lcaret_MDL,x_testRF), y_testRF,positive="SI")
cm_ADj48_Lcaret$byClass Sensitivity Specificity Pos Pred Value
0.114285714 0.993500464 0.363636364
Neg Pred Value Precision Recall
0.971843778 0.363636364 0.114285714
F1 Prevalence Detection Rate
0.173913043 0.031474820 0.003597122
Detection Prevalence Balanced Accuracy
0.009892086 0.553893089 ### Arboles de Decisión J48 técnica de balanceo “UNDER” y escalamiento
###CON CARET
ctrl$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 883 12
SI 194 23cm_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
0.65714286 0.81987001 0.10599078
Neg Pred Value Precision Recall
0.98659218 0.10599078 0.65714286
F1 Prevalence Detection Rate
0.18253968 0.03147482 0.02068345
Detection Prevalence Balanced Accuracy
0.19514388 0.73850643 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 1077 35cm_NaiveBayes <- confusionMatrix(predict(NaiveBayes_MDL,x_testRF), y_testRF,positive="SI")
cm_NaiveBayesConfusion Matrix and Statistics
Reference
Prediction NO SI
NO 0 0
SI 1077 35
Accuracy : 0.0315
95% CI : (0.022, 0.0435)
No Information Rate : 0.9685
P-Value [Acc > NIR] : 1
Kappa : 0
Mcnemar's Test P-Value : <2e-16
Sensitivity : 1.00000
Specificity : 0.00000
Pos Pred Value : 0.03147
Neg Pred Value : NaN
Prevalence : 0.03147
Detection Rate : 0.03147
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="UPUBLICA_IngIndustrial2020.csv", sep=",",row.names = FALSE)