Arbol_de_decision-Titanic

Importar base de datos

#file.choose()

base_de_datos <- read.csv("/Users/dannaperez/Desktop/R/bases de datos/titanic.csv")

Entender base de datos

summary(base_de_datos)

##      pclass         survived         name               sex           
##  Min.   :1.000   Min.   :0.000   Length:1309        Length:1309       
##  1st Qu.:2.000   1st Qu.:0.000   Class :character   Class :character  
##  Median :3.000   Median :0.000   Mode  :character   Mode  :character  
##  Mean   :2.295   Mean   :0.382                                        
##  3rd Qu.:3.000   3rd Qu.:1.000                                        
##  Max.   :3.000   Max.   :1.000                                        
##                                                                       
##       age              sibsp            parch          ticket         
##  Min.   : 0.1667   Min.   :0.0000   Min.   :0.000   Length:1309       
##  1st Qu.:21.0000   1st Qu.:0.0000   1st Qu.:0.000   Class :character  
##  Median :28.0000   Median :0.0000   Median :0.000   Mode  :character  
##  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   :263                                                          
##       fare            cabin             embarked             boat          
##  Min.   :  0.000   Length:1309        Length:1309        Length:1309       
##  1st Qu.:  7.896   Class :character   Class :character   Class :character  
##  Median : 14.454   Mode  :character   Mode  :character   Mode  :character  
##  Mean   : 33.295                                                           
##  3rd Qu.: 31.275                                                           
##  Max.   :512.329                                                           
##  NA's   :1                                                                 
##       body        home.dest        
##  Min.   :  1.0   Length:1309       
##  1st Qu.: 72.0   Class :character  
##  Median :155.0   Mode  :character  
##  Mean   :160.8                     
##  3rd Qu.:256.0                     
##  Max.   :328.0                     
##  NA's   :1188

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Filtrar base de datos

titanic <- base_de_datos[,c("pclass", "age", "sex", "survived")]

titanic$survived <- as.factor (ifelse(titanic$survived==0,"murio","sobrevivio"))
titanic$i_pclass <- as.factor(titanic$pclass)
titanic$sex <- as.factor(titanic$sex)
str(titanic)

## 'data.frame':    1309 obs. of  5 variables:
##  $ pclass  : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ age     : num  29 0.917 2 30 25 ...
##  $ sex     : Factor w/ 2 levels "female","male": 1 2 1 2 1 2 1 2 1 2 ...
##  $ survived: Factor w/ 2 levels "murio","sobrevivio": 2 2 1 1 1 2 2 1 2 1 ...
##  $ i_pclass: Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...

sum(is.na(titanic))

## [1] 263

titanic <- na.omit(titanic)

Crear arbol de decision

library(rpart)
arbol <- rpart(formula = survived ~ ., data = titanic)
arbol

## n= 1046 
## 
## node), split, n, loss, yval, (yprob)
##       * denotes terminal node
## 
##  1) root 1046 427 murio (0.59177820 0.40822180)  
##    2) sex=male 658 135 murio (0.79483283 0.20516717)  
##      4) age>=9.5 615 110 murio (0.82113821 0.17886179) *
##      5) age< 9.5 43  18 sobrevivio (0.41860465 0.58139535)  
##       10) pclass>=2.5 29  11 murio (0.62068966 0.37931034) *
##       11) pclass< 2.5 14   0 sobrevivio (0.00000000 1.00000000) *
##    3) sex=female 388  96 sobrevivio (0.24742268 0.75257732)  
##      6) pclass>=2.5 152  72 murio (0.52631579 0.47368421)  
##       12) age>=1.5 145  66 murio (0.54482759 0.45517241) *
##       13) age< 1.5 7   1 sobrevivio (0.14285714 0.85714286) *
##      7) pclass< 2.5 236  16 sobrevivio (0.06779661 0.93220339) *

#install.packages("rpart.plot")
library(rpart.plot)

rpart.plot(arbol)

prp(arbol,extra=7,prefix="fraccion/n")

Conclusion

El árbol de decisiones es un tipo de modelo de predicción que en este caso nos ayuda a observar las probabilidades que tuvo cada personaje de acuerdo en sus variaciones en sus características como lo son: edas, sexo y en la clase en la que viajaba.
En este ejemplo, se puede observar que las mujeres tienen más probabilidad (75%) de sobrevivir que los hombres (21%) pero entre todas las mujeres dentro del Titanic, aquellas que eran de primera clase tenían un 93% de probabilidad de sobrevivencia. Las mujeres que sean de tercera o segunda clase tenían un 86% de probabilidad de sobrevivir si tenian un año y medio o menos que aquellas que eran mayores.