Árbol de Decisión
Ricardo Galicia Canacasco - A01653279
2022-09-08
Titanic
Llamar a la base de datos
#file.choose()
base_de_datos <- read.csv ("/Users/ricardogc/Desktop/titanic.csv")Entender la base de datos
summary(base_de_datos)## pclass survived name
## Min. :1.000 Min. :0.000 Connolly, Miss. Kate : 2
## 1st Qu.:2.000 1st Qu.:0.000 Kelly, Mr. James : 2
## Median :3.000 Median :0.000 : 1
## Mean :2.295 Mean :0.382 Abbing, Mr. Anthony : 1
## 3rd Qu.:3.000 3rd Qu.:1.000 Abbott, Master. Eugene Joseph: 1
## Max. :3.000 Max. :1.000 Abbott, Mr. Rossmore Edward : 1
## NA's :1 NA's :1 (Other) :1302
## sex age sibsp parch
## : 1 Min. : 0.1667 Min. :0.0000 Min. :0.000
## female:466 1st Qu.:21.0000 1st Qu.:0.0000 1st Qu.:0.000
## male :843 Median :28.0000 Median :0.0000 Median :0.000
## Mean :29.8811 Mean :0.4989 Mean :0.385
## 3rd Qu.:39.0000 3rd Qu.:1.0000 3rd Qu.:0.000
## Max. :80.0000 Max. :8.0000 Max. :9.000
## NA's :264 NA's :1 NA's :1
## ticket fare cabin embarked
## CA. 2343: 11 Min. : 0.000 :1015 : 3
## 1601 : 8 1st Qu.: 7.896 C23 C25 C27 : 6 C:270
## CA 2144 : 8 Median : 14.454 B57 B59 B63 B66: 5 Q:123
## 3101295 : 7 Mean : 33.295 G6 : 5 S:914
## 347077 : 7 3rd Qu.: 31.275 B96 B98 : 4
## 347082 : 7 Max. :512.329 C22 C26 : 4
## (Other) :1262 NA's :2 (Other) : 271
## boat body home.dest
## :824 Min. : 1.0 :565
## 13 : 39 1st Qu.: 72.0 New York, NY : 64
## C : 38 Median :155.0 London : 14
## 15 : 37 Mean :160.8 Montreal, PQ : 10
## 14 : 33 3rd Qu.:256.0 Cornwall / Akron, OH: 9
## 4 : 31 Max. :328.0 Paris, France : 9
## (Other):308 NA's :1189 (Other) :639Filtrar base de datos
Titanic <- base_de_datos[,c("pclass","age","sex","survived")]
Titanic$survived <- as.factor(ifelse(Titanic$survived==0, "Murió", "Sobrevivió"))
Titanic$pclass <- as.factor(Titanic$pclass)
Titanic$sex <- as.factor(Titanic$sex)
str(Titanic)## 'data.frame': 1310 obs. of 4 variables:
## $ pclass : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
## $ age : num 29 0.917 2 30 25 ...
## $ sex : Factor w/ 3 levels "","female","male": 2 3 2 3 2 3 2 3 2 3 ...
## $ survived: Factor w/ 2 levels "Murió","Sobrevivió": 2 2 1 1 1 2 2 1 2 1 ...sum(is.na(Titanic))## [1] 266Titanic <- na.omit(Titanic)Crear árbol de decisión
library(rpart)
arbol <- rpart(formula=survived ~ ., data = Titanic)
arbol## n= 1046
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 1046 427 Murió (0.59177820 0.40822180)
## 2) sex=male 658 135 Murió (0.79483283 0.20516717)
## 4) age>=9.5 615 110 Murió (0.82113821 0.17886179) *
## 5) age< 9.5 43 18 Sobrevivió (0.41860465 0.58139535)
## 10) pclass=3 29 11 Murió (0.62068966 0.37931034) *
## 11) pclass=1,2 14 0 Sobrevivió (0.00000000 1.00000000) *
## 3) sex=female 388 96 Sobrevivió (0.24742268 0.75257732)
## 6) pclass=3 152 72 Murió (0.52631579 0.47368421)
## 12) age>=1.5 145 66 Murió (0.54482759 0.45517241) *
## 13) age< 1.5 7 1 Sobrevivió (0.14285714 0.85714286) *
## 7) pclass=1,2 236 16 Sobrevivió (0.06779661 0.93220339) *library(rpart.plot)
rpart.plot(arbol)
prp(arbol,extra = 7,prefix = "fracción/n")
arbol <- rpart(formula=survived ~ ., data = Titanic)
arbol## n= 1046
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 1046 427 Murió (0.59177820 0.40822180)
## 2) sex=male 658 135 Murió (0.79483283 0.20516717)
## 4) age>=9.5 615 110 Murió (0.82113821 0.17886179) *
## 5) age< 9.5 43 18 Sobrevivió (0.41860465 0.58139535)
## 10) pclass=3 29 11 Murió (0.62068966 0.37931034) *
## 11) pclass=1,2 14 0 Sobrevivió (0.00000000 1.00000000) *
## 3) sex=female 388 96 Sobrevivió (0.24742268 0.75257732)
## 6) pclass=3 152 72 Murió (0.52631579 0.47368421)
## 12) age>=1.5 145 66 Murió (0.54482759 0.45517241) *
## 13) age< 1.5 7 1 Sobrevivió (0.14285714 0.85714286) *
## 7) pclass=1,2 236 16 Sobrevivió (0.06779661 0.93220339) *#install.packages("rpart.plot")
library(rpart.plot)
rpart.plot(arbol)
prp(arbol,extra = 7,prefix = "fracción/n")
Conclusión
Analizamos la base de Datos de Titanic y en base a las variables realizamos un árbol de decisiones para obtener el porcentaje de sobrevivir de cada uno de los pasajeros, de acuerdo a su edad, tipo de clase y genero.
Al momento de obtener el árbol de decisión, nos dio diversos datos en porcentajes, de los cuales obtuvimos la siguiente información:
Los que tenían menor probabilidad de sobrevivir eran los hombres.
Esto se dividía en cuanta probabilidad de sobrevivir y cuanta probabilidad de no sobrevivir
Los que tenían menos probabilidad eran los que fueran de la tercera clase con edad mayor o igual a 1.5 años.
Los que tenían menos probabilidad eran los que tenían edad mayor o igual a 9.5 años y que pertenecieran a la tercera clase
La probabilidad de que un hombre de tercera clase sobreviviera era del 93%
La mayoría de los que no pudieron sobrevivir fueron mujeres y hombres mayores de 9.5 años.
Se tiene que tener mucho cuidado al poner las variables, ya que te puede soltar un error o incluso cambiar de lugar las variables. También checar muy bien los puntos y comas, ya que puede marcar error y no correr para realizar la grafica o el árbol de decisión. Se debe filtrar correctamente la base de datos para enfocarse en las variables que se ocuparán y no seleccione las que no ocuparemos de la base de datos.