1 Objetivo

Implementar el modelo de árbol de clasificación con datos relacionados a una condición de salud de las personas para predecir anomalías de corazón y evaluar la exactitud del modelo mediante la matriz de confusión.

2 Descripción

Se cargan librerías y se descargan los datos: https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/heart_2020_cleaned.csv

Los datos están relacionados con aspectos médicos y son valores numéricos de varias variables que caracterizan el estado de salud de 319,795 personas.

Se construye un modelo supervisado basado en el algoritmo de árbol de clasificación para resolver la tarea de clasificación binaria e identificar si una persona padece del corazón o no.

Se construyen datos de entrenamiento y validación al 80% y 20% cada uno.

Se desarrollan los modelos de:

Regresión Logística binaria
Árbol de Clasificación tipo class
K Means
SVM Lineal
SVM Polinomial
SVM Radial

Los modelo se aceptan si tienen un valor de exactitud por encima del 70%..

3 Fundamento teórico

4 Desarrollo

4.1 Cargar librerías

library(readr)
library(dplyr)
library(caret)
library(rpart)
library(rpart.plot)
library(knitr)
library(e1071)        # Vectores de Soporte SVM
library(rpart)        # Arboles de clasificación

4.2 Cargar datos

Cargar datos de manera local.

# datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Machine-Learning-con-R/main/datos/heart_2020_cleaned.csv")
datos <- read.csv("../../datos/heart_2020_cleaned.csv", encoding = "UTF-8", stringsAsFactors = TRUE)

4.3 Explorar datos

str(datos)

## 'data.frame':    319795 obs. of  18 variables:
##  $ HeartDisease    : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 2 1 1 1 1 ...
##  $ BMI             : num  16.6 20.3 26.6 24.2 23.7 ...
##  $ Smoking         : Factor w/ 2 levels "No","Yes": 2 1 2 1 1 2 1 2 1 1 ...
##  $ AlcoholDrinking : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ Stroke          : Factor w/ 2 levels "No","Yes": 1 2 1 1 1 1 1 1 1 1 ...
##  $ PhysicalHealth  : num  3 0 20 0 28 6 15 5 0 0 ...
##  $ MentalHealth    : num  30 0 30 0 0 0 0 0 0 0 ...
##  $ DiffWalking     : Factor w/ 2 levels "No","Yes": 1 1 1 1 2 2 1 2 1 2 ...
##  $ Sex             : Factor w/ 2 levels "Female","Male": 1 1 2 1 1 1 1 1 1 2 ...
##  $ AgeCategory     : Factor w/ 13 levels "18-24","25-29",..: 8 13 10 12 5 12 11 13 13 10 ...
##  $ Race            : Factor w/ 6 levels "American Indian/Alaskan Native",..: 6 6 6 6 6 3 6 6 6 6 ...
##  $ Diabetic        : Factor w/ 4 levels "No","No, borderline diabetes",..: 3 1 3 1 1 1 1 3 2 1 ...
##  $ PhysicalActivity: Factor w/ 2 levels "No","Yes": 2 2 2 1 2 1 2 1 1 2 ...
##  $ GenHealth       : Factor w/ 5 levels "Excellent","Fair",..: 5 5 2 3 5 2 2 3 2 3 ...
##  $ SleepTime       : num  5 7 8 6 8 12 4 9 5 10 ...
##  $ Asthma          : Factor w/ 2 levels "No","Yes": 2 1 2 1 1 1 2 2 1 1 ...
##  $ KidneyDisease   : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 2 1 ...
##  $ SkinCancer      : Factor w/ 2 levels "No","Yes": 2 1 1 2 1 1 2 1 1 1 ...

summary(datos)

##  HeartDisease      BMI        Smoking      AlcoholDrinking Stroke      
##  No :292422   Min.   :12.02   No :187887   No :298018      No :307726  
##  Yes: 27373   1st Qu.:24.03   Yes:131908   Yes: 21777      Yes: 12069  
##               Median :27.34                                            
##               Mean   :28.33                                            
##               3rd Qu.:31.42                                            
##               Max.   :94.85                                            
##                                                                        
##  PhysicalHealth    MentalHealth    DiffWalking      Sex        
##  Min.   : 0.000   Min.   : 0.000   No :275385   Female:167805  
##  1st Qu.: 0.000   1st Qu.: 0.000   Yes: 44410   Male  :151990  
##  Median : 0.000   Median : 0.000                               
##  Mean   : 3.372   Mean   : 3.898                               
##  3rd Qu.: 2.000   3rd Qu.: 3.000                               
##  Max.   :30.000   Max.   :30.000                               
##                                                                
##       AgeCategory                                 Race       
##  65-69      : 34151   American Indian/Alaskan Native:  5202  
##  60-64      : 33686   Asian                         :  8068  
##  70-74      : 31065   Black                         : 22939  
##  55-59      : 29757   Hispanic                      : 27446  
##  50-54      : 25382   Other                         : 10928  
##  80 or older: 24153   White                         :245212  
##  (Other)    :141601                                          
##                     Diabetic      PhysicalActivity     GenHealth     
##  No                     :269653   No : 71838       Excellent: 66842  
##  No, borderline diabetes:  6781   Yes:247957       Fair     : 34677  
##  Yes                    : 40802                    Good     : 93129  
##  Yes (during pregnancy) :  2559                    Poor     : 11289  
##                                                    Very good:113858  
##                                                                      
##                                                                      
##    SleepTime      Asthma       KidneyDisease SkinCancer  
##  Min.   : 1.000   No :276923   No :308016    No :289976  
##  1st Qu.: 6.000   Yes: 42872   Yes: 11779    Yes: 29819  
##  Median : 7.000                                          
##  Mean   : 7.097                                          
##  3rd Qu.: 8.000                                          
##  Max.   :24.000                                          
##

4.4 Limpiar datos

No es necesario alguna transformación

4.5 Las variables de interés

Todas las variables son de entrada o variables independientes:

“BMI”: Indice de masa corporal con valores entre 12.02 y 94.85.
“Smoking”: Si la persona es fumadora o no con valores categóritos de ‘Yes’ o ‘No’.
“AlcoholDrinking” : Si consume alcohol o no, con valores categóricos de ‘Yes’ o ‘No’.
“Stroke”: Si padece alguna anomalía cerebrovascular, apoplejia o algo similar, con valores categóricos de ‘Yes’ o ‘No’.
“PhysicalHealth” Estado físico en lo general con valores entre 0 y 30.
“MentalHealth”. Estado mental en lo general con valores entre 0 y 30.
“DiffWalking” . Que si se le dificulta caminar o tiene algún padecimiento al caminar, con valores categóritoc de ‘Yes’ o ‘No’.
“Sex”: Género de la persona, con valores de ‘Female’ y ‘Male’ para distinguir al género femenino y masculino respectivamente.
“AgeCategory”: Una clasificación de la edad de la persona de entre 18 y 80 años. La primera categoría con un rango de edad entre 18-24, a partir de 25 con rangos de 5 en 5 hasta la clase de 75-80 y una última categoría mayores de 80 años.
“Race”. Raza u origen de la persona con valores categóricos de ‘American Indian/Alaskan Native’, ’Asian’,’Black’, ’Hispanic’, ’Other’ y’White’.
“Diabetic”. Si padece o ha padecido de diabetes en cuatro condiciones siendo Yes y No para si o no: ‘No’, ‘borderline diabetes’ condición antes de detectarse diabetes tipo 2, ‘Yes’, y ‘Yes (during pregnancy)’ durante embarazo.
“PhysicalActivity” que si realiza actividad física, con valores categóricos de ‘Yes’ o ‘No’.
“GenHealth”: EStado general de salud de la persona con valores categóricos de ‘Excellent’, ‘Very good’, ’Good’, ’Fair’ y ’Poor’ con significado en español de excelente, muy buena, buena, regular y pobre o deficiente.
“SleepTime”: valor numérico de las horas de sueño u horas que duerme la persona con valores en un rango entre 1 y 24.
“Asthma”: si padece de asma o no, con valores categóricos de ‘Yes’ o ‘No’.
“KidneyDisease”: si tiene algún padecimiento en los riñones, con valores categóricos de ‘Yes’ o ‘No’.
“SkinCancer”: si padece algún tipo de cáncer de piel, con valores categóricos de ‘Yes’ o ‘No’.

La variable de interés como dependiente o variable de salida es la de daño al corazón (HeartDisease), con valores categóricos de ‘Yes’ o ‘No’.

4.6 Datos de entrenamiento y validación

Se parten los datos en en datos de entrenamiento con el 80% y datos de validación con el 20%.

set.seed(2022)
entrena <- createDataPartition(y = datos$HeartDisease, 
                               p = 0.8, 
                               list = FALSE, 
                               times = 1)
# Datos entrenamiento
datos.entrenamiento <- datos[entrena, ]  # [renglones, columna]
# Datos validación
datos.validacion <- datos[-entrena, ]

4.6.1 Datos de entrenamiento

Se muestran los primeros 20 registros datos de entrenamiento

kable(head(datos.entrenamiento, 20), caption = "Primeros 20 registros de datos de entrenamiento")

Primeros 20 registros de datos de entrenamiento
	HeartDisease	BMI	Smoking	AlcoholDrinking	Stroke	PhysicalHealth	MentalHealth	DiffWalking	Sex	AgeCategory	Race	Diabetic	PhysicalActivity	GenHealth	SleepTime	Asthma	KidneyDisease	SkinCancer
1	No	16.60	Yes	No	No	3	30	No	Female	55-59	White	Yes	Yes	Very good	5	Yes	No	Yes
2	No	20.34	No	No	Yes	0	0	No	Female	80 or older	White	No	Yes	Very good	7	No	No	No
3	No	26.58	Yes	No	No	20	30	No	Male	65-69	White	Yes	Yes	Fair	8	Yes	No	No
4	No	24.21	No	No	No	0	0	No	Female	75-79	White	No	No	Good	6	No	No	Yes
5	No	23.71	No	No	No	28	0	Yes	Female	40-44	White	No	Yes	Very good	8	No	No	No
6	Yes	28.87	Yes	No	No	6	0	Yes	Female	75-79	Black	No	No	Fair	12	No	No	No
7	No	21.63	No	No	No	15	0	No	Female	70-74	White	No	Yes	Fair	4	Yes	No	Yes
8	No	31.64	Yes	No	No	5	0	Yes	Female	80 or older	White	Yes	No	Good	9	Yes	No	No
9	No	26.45	No	No	No	0	0	No	Female	80 or older	White	No, borderline diabetes	No	Fair	5	No	Yes	No
10	No	40.69	No	No	No	0	0	Yes	Male	65-69	White	No	Yes	Good	10	No	No	No
11	Yes	34.30	Yes	No	No	30	0	Yes	Male	60-64	White	Yes	No	Poor	15	Yes	No	No
12	No	28.71	Yes	No	No	0	0	No	Female	55-59	White	No	Yes	Very good	5	No	No	No
13	No	28.37	Yes	No	No	0	0	Yes	Male	75-79	White	Yes	Yes	Very good	8	No	No	No
14	No	28.15	No	No	No	7	0	Yes	Female	80 or older	White	No	No	Good	7	No	No	No
15	No	29.29	Yes	No	No	0	30	Yes	Female	60-64	White	No	No	Good	5	No	No	No
16	No	29.18	No	No	No	1	0	No	Female	50-54	White	No	Yes	Very good	6	No	No	No
17	No	26.26	No	No	No	5	2	No	Female	70-74	White	No	No	Very good	10	No	No	No
18	No	22.59	Yes	No	No	0	30	Yes	Male	70-74	White	No, borderline diabetes	Yes	Good	8	No	No	No
20	No	18.13	No	No	No	0	0	No	Male	80 or older	White	No	Yes	Excellent	8	No	No	Yes
21	No	21.16	No	No	No	0	0	No	Female	80 or older	Black	No, borderline diabetes	No	Good	8	No	No	No

4.6.2 Datos de validación

Se muestran los primeros 20 registros de datos de validación .

kable(head(datos.validacion, 20), caption = "Primeros 20 registros de datos de validación")

Primeros 20 registros de datos de validación
	HeartDisease	BMI	Smoking	AlcoholDrinking	Stroke	PhysicalHealth	MentalHealth	DiffWalking	Sex	AgeCategory	Race	Diabetic	PhysicalActivity	GenHealth	SleepTime	Asthma	KidneyDisease	SkinCancer
19	No	29.86	Yes	No	No	0	0	Yes	Female	75-79	Black	Yes	No	Fair	5	No	Yes	No
25	No	25.75	No	No	No	0	0	No	Female	80 or older	White	No	Yes	Very good	6	No	No	Yes
27	No	34.34	Yes	No	No	21	8	Yes	Female	65-69	White	No	Yes	Fair	9	No	No	No
30	No	36.58	No	No	No	0	0	No	Female	60-64	White	Yes	No	Good	5	No	No	Yes
43	Yes	25.06	No	No	No	0	0	Yes	Female	80 or older	White	Yes	No	Good	7	No	No	Yes
47	No	33.23	No	No	No	0	0	No	Male	65-69	White	Yes	Yes	Very good	8	No	No	No
48	No	25.11	No	No	No	5	5	No	Female	65-69	Black	No	Yes	Good	7	No	No	No
55	No	32.10	No	No	No	14	0	No	Male	65-69	White	Yes	Yes	Very good	9	No	No	No
60	No	27.20	Yes	No	Yes	0	0	No	Male	80 or older	White	No	No	Very good	8	No	No	Yes
61	No	28.94	Yes	No	No	0	0	No	Female	70-74	White	Yes	Yes	Good	5	Yes	No	No
62	No	21.03	No	No	No	1	0	No	Female	80 or older	White	No	Yes	Excellent	8	No	No	No
64	No	31.46	Yes	No	No	0	0	No	Male	75-79	White	No	Yes	Very good	8	No	No	No
72	No	27.76	Yes	No	No	15	0	Yes	Female	80 or older	White	No	No	Good	8	Yes	No	No
74	No	30.23	No	No	No	0	5	No	Female	65-69	White	No	Yes	Good	6	No	No	No
79	Yes	28.29	Yes	No	No	30	30	No	Female	70-74	White	Yes	Yes	Poor	9	No	Yes	No
89	No	32.81	Yes	No	No	0	0	Yes	Female	70-74	White	Yes	Yes	Good	5	No	No	No
91	No	44.29	No	No	No	30	10	Yes	Female	70-74	White	No	No	Fair	7	No	No	Yes
93	No	21.80	Yes	No	No	0	0	No	Female	75-79	White	No	Yes	Very good	8	No	No	Yes
99	No	24.37	No	No	No	0	0	No	Female	55-59	White	No	Yes	Very good	7	Yes	No	No
111	No	26.63	No	No	No	0	0	No	Female	75-79	Black	Yes	Yes	Good	8	No	No	No

4.7 Arbol de Clasificación

Se construye el modelo con los datos de entrenamiento mediante la función rpart().

El árbol no se puede visualizar cn todos los registros de los datos de entrenamiento, se hicieron las pruebas y se logra visualizar aproximadamente con 2000 registros de una muestra a partir de los datos de entrenamiento.

Si se construye el modelo con todos los registros de los datos de entrenamiento, pero no se puede observar la visualización del árbol y sus ramificaciones, razón por la cual se hace con una muestra de los datos de entrenamiento.

muestra <- sample(x = 1:nrow(datos.entrenamiento), size = 2000, replace = FALSE)
modelo.ac = rpart(data = datos.entrenamiento[muestra,],formula =    HeartDisease ~ .)

4.7.1 Resumen y/o estadísticos del modelo

El resumen del modelo muestra algunos estadísticos importantes:

summary(modelo.ac)

## Call:
## rpart(formula = HeartDisease ~ ., data = datos.entrenamiento[muestra, 
##     ])
##   n= 2000 
## 
##           CP nsplit rel error    xerror       xstd
## 1 0.01577564      0 1.0000000 1.0000000 0.07506643
## 2 0.01226994      7 0.8895706 0.9877301 0.07464508
## 3 0.01000000      8 0.8773006 0.9815951 0.07443313
## 
## Variable importance
##      AgeCategory        GenHealth              BMI       SkinCancer 
##               37               13                9                9 
##              Sex   PhysicalHealth           Stroke      DiffWalking 
##                7                6                5                4 
## PhysicalActivity         Diabetic             Race    KidneyDisease 
##                3                3                2                1 
## 
## Node number 1: 2000 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.0815  P(node) =1
##     class counts:  1837   163
##    probabilities: 0.918 0.082 
##   left son=2 (1277 obs) right son=3 (723 obs)
##   Primary splits:
##       AgeCategory splits as  LLLLLLLLLRRRR, improve=16.160870, (0 missing)
##       GenHealth   splits as  LRLRL, improve=11.888480, (0 missing)
##       DiffWalking splits as  LR, improve= 8.507471, (0 missing)
##       Stroke      splits as  LR, improve= 8.081361, (0 missing)
##       SkinCancer  splits as  LR, improve= 6.972766, (0 missing)
##   Surrogate splits:
##       SkinCancer    splits as  LR,   agree=0.685, adj=0.130, (0 split)
##       DiffWalking   splits as  LR,   agree=0.659, adj=0.058, (0 split)
##       Diabetic      splits as  LRRL, agree=0.658, adj=0.054, (0 split)
##       Stroke        splits as  LR,   agree=0.650, adj=0.033, (0 split)
##       KidneyDisease splits as  LR,   agree=0.649, adj=0.030, (0 split)
## 
## Node number 2: 1277 observations
##   predicted class=No   expected loss=0.03367267  P(node) =0.6385
##     class counts:  1234    43
##    probabilities: 0.966 0.034 
## 
## Node number 3: 723 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.1659751  P(node) =0.3615
##     class counts:   603   120
##    probabilities: 0.834 0.166 
##   left son=6 (372 obs) right son=7 (351 obs)
##   Primary splits:
##       GenHealth  splits as  LRRRL,  improve=7.920088, (0 missing)
##       Sex        splits as  LR,     improve=7.407025, (0 missing)
##       Stroke     splits as  LR,     improve=4.262868, (0 missing)
##       SkinCancer splits as  LR,     improve=2.448364, (0 missing)
##       Race       splits as  RLLRRR, improve=2.363588, (0 missing)
##   Surrogate splits:
##       PhysicalHealth   < 1.5    to the left,  agree=0.682, adj=0.345, (0 split)
##       DiffWalking      splits as  LR,         agree=0.633, adj=0.245, (0 split)
##       PhysicalActivity splits as  RL,         agree=0.611, adj=0.199, (0 split)
##       BMI              < 28.515 to the left,  agree=0.607, adj=0.191, (0 split)
##       Diabetic         splits as  LRRL,       agree=0.595, adj=0.165, (0 split)
## 
## Node number 6: 372 observations
##   predicted class=No   expected loss=0.09408602  P(node) =0.186
##     class counts:   337    35
##    probabilities: 0.906 0.094 
## 
## Node number 7: 351 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.2421652  P(node) =0.1755
##     class counts:   266    85
##    probabilities: 0.758 0.242 
##   left son=14 (194 obs) right son=15 (157 obs)
##   Primary splits:
##       Sex        splits as  LR,     improve=5.172049, (0 missing)
##       Race       splits as  LLLRRR, improve=3.751722, (0 missing)
##       Stroke     splits as  LR,     improve=3.285883, (0 missing)
##       SkinCancer splits as  LR,     improve=2.762222, (0 missing)
##       GenHealth  splits as  -RLR-,  improve=1.864107, (0 missing)
##   Surrogate splits:
##       AgeCategory     splits as  ---------LRLL, agree=0.587, adj=0.076, (0 split)
##       AlcoholDrinking splits as  LR, agree=0.573, adj=0.045, (0 split)
##       PhysicalHealth  < 1.5    to the right, agree=0.573, adj=0.045, (0 split)
##       Race            splits as  LRLLRL, agree=0.564, adj=0.025, (0 split)
##       SleepTime       < 2.5    to the right, agree=0.558, adj=0.013, (0 split)
## 
## Node number 14: 194 observations
##   predicted class=No   expected loss=0.1649485  P(node) =0.097
##     class counts:   162    32
##    probabilities: 0.835 0.165 
## 
## Node number 15: 157 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.3375796  P(node) =0.0785
##     class counts:   104    53
##    probabilities: 0.662 0.338 
##   left son=30 (127 obs) right son=31 (30 obs)
##   Primary splits:
##       SkinCancer  splits as  LR, improve=3.892676, (0 missing)
##       BMI         < 26.445 to the right, improve=3.115661, (0 missing)
##       AgeCategory splits as  ---------LRLR, improve=2.996827, (0 missing)
##       Stroke      splits as  LR, improve=1.802553, (0 missing)
##       Race        splits as  -LLRRR, improve=1.383697, (0 missing)
## 
## Node number 30: 127 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.2834646  P(node) =0.0635
##     class counts:    91    36
##    probabilities: 0.717 0.283 
##   left son=60 (90 obs) right son=61 (37 obs)
##   Primary splits:
##       BMI         < 25.015 to the right, improve=3.234395, (0 missing)
##       Stroke      splits as  LR, improve=2.999642, (0 missing)
##       GenHealth   splits as  -RLR-, improve=2.177253, (0 missing)
##       Race        splits as  -RLRRR, improve=1.556653, (0 missing)
##       AgeCategory splits as  ---------LRLR, improve=1.398798, (0 missing)
##   Surrogate splits:
##       Race      splits as  -RLLLL, agree=0.717, adj=0.027, (0 split)
##       GenHealth splits as  -LLR-,  agree=0.717, adj=0.027, (0 split)
## 
## Node number 31: 30 observations,    complexity param=0.01577564
##   predicted class=Yes  expected loss=0.4333333  P(node) =0.015
##     class counts:    13    17
##    probabilities: 0.433 0.567 
##   left son=62 (9 obs) right son=63 (21 obs)
##   Primary splits:
##       AgeCategory splits as  ---------LRRR, improve=3.0507940, (0 missing)
##       BMI         < 29.09  to the right, improve=1.5206640, (0 missing)
##       Smoking     splits as  LR, improve=0.6000000, (0 missing)
##       Diabetic    splits as  L-R-, improve=0.5333333, (0 missing)
##       DiffWalking splits as  LR, improve=0.3979296, (0 missing)
##   Surrogate splits:
##       MentalHealth < 11     to the right, agree=0.733, adj=0.111, (0 split)
##       Asthma       splits as  RL,         agree=0.733, adj=0.111, (0 split)
## 
## Node number 60: 90 observations,    complexity param=0.01226994
##   predicted class=No   expected loss=0.2111111  P(node) =0.045
##     class counts:    71    19
##    probabilities: 0.789 0.211 
##   left son=120 (82 obs) right son=121 (8 obs)
##   Primary splits:
##       Stroke      splits as  LR,         improve=3.0082660, (0 missing)
##       GenHealth   splits as  -RLR-,      improve=2.1777780, (0 missing)
##       DiffWalking splits as  LR,         improve=2.0063310, (0 missing)
##       Race        splits as  -LLRRL,     improve=1.1700850, (0 missing)
##       BMI         < 33.9   to the left,  improve=0.9148407, (0 missing)
## 
## Node number 61: 37 observations,    complexity param=0.01577564
##   predicted class=No   expected loss=0.4594595  P(node) =0.0185
##     class counts:    20    17
##    probabilities: 0.541 0.459 
##   left son=122 (18 obs) right son=123 (19 obs)
##   Primary splits:
##       AgeCategory    splits as  ---------LRLR, improve=6.0099570, (0 missing)
##       Race           splits as  -LLLLR, improve=2.8863150, (0 missing)
##       PhysicalHealth < 2.5    to the right, improve=1.7195550, (0 missing)
##       BMI            < 23.87  to the left,  improve=1.5250450, (0 missing)
##       SleepTime      < 6.5    to the left,  improve=0.8956198, (0 missing)
##   Surrogate splits:
##       BMI              < 19.515 to the left,  agree=0.622, adj=0.222, (0 split)
##       PhysicalHealth   < 0.5    to the right, agree=0.595, adj=0.167, (0 split)
##       Race             splits as  -LRLLR,     agree=0.595, adj=0.167, (0 split)
##       PhysicalActivity splits as  LR,         agree=0.568, adj=0.111, (0 split)
##       GenHealth        splits as  -RRL-,      agree=0.568, adj=0.111, (0 split)
## 
## Node number 62: 9 observations
##   predicted class=No   expected loss=0.2222222  P(node) =0.0045
##     class counts:     7     2
##    probabilities: 0.778 0.222 
## 
## Node number 63: 21 observations
##   predicted class=Yes  expected loss=0.2857143  P(node) =0.0105
##     class counts:     6    15
##    probabilities: 0.286 0.714 
## 
## Node number 120: 82 observations
##   predicted class=No   expected loss=0.1707317  P(node) =0.041
##     class counts:    68    14
##    probabilities: 0.829 0.171 
## 
## Node number 121: 8 observations
##   predicted class=Yes  expected loss=0.375  P(node) =0.004
##     class counts:     3     5
##    probabilities: 0.375 0.625 
## 
## Node number 122: 18 observations
##   predicted class=No   expected loss=0.1666667  P(node) =0.009
##     class counts:    15     3
##    probabilities: 0.833 0.167 
## 
## Node number 123: 19 observations
##   predicted class=Yes  expected loss=0.2631579  P(node) =0.0095
##     class counts:     5    14
##    probabilities: 0.263 0.737

Entonces una posible predicción sería siguiendo las reglas de asociación y condicionales del modelo.

4.7.2 Visualizar árbol de clasificación

prp(modelo.ac, main = "Arbol de Clasificación")

4.7.3 Generar predicciones del modelo regresión logística

Se generan predicciones con datos de validación con el argumento class de clasificación, es decir, Yes o No.

prediciones_ac = predict(object = modelo.ac,newdata = datos.validacion, type = "class")

4.7.4 Predicciones

Head(predicciones, 20) los primeros 20 predicciones

head(prediciones_ac, 20)

##  19  25  27  30  43  47  48  55  60  61  62  64  72  74  79  89  91  93  99 111 
##  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No 
## Levels: No Yes

4.7.5 Generar tabla comparativa

Se construye una tabla comparativa con los valores de interés

t_comparativa = data.frame("real" = datos.validacion[,c('HeartDisease')],"prediccion"= prediciones_ac)
# t_comparativa <- t_comparativa %>%
#  mutate(heartDiseasePred = 
top20 = head(t_comparativa,20)
kable(top20,caption = 'Primeros 20 registros')

Primeros 20 registros
	real	prediccion
19	No	No
25	No	No
27	No	No
30	No	No
43	Yes	No
47	No	No
48	No	No
55	No	No
60	No	No
61	No	No
62	No	No
64	No	No
72	No	No
74	No	No
79	Yes	No
89	No	No
91	No	No
93	No	No
99	No	No
111	No	No

4.7.6 Evaluando el modelo

Una matriz de confusión es una herramienta que permite evaluación de un modelo de clasificación

Cada columna de la matriz representa el número de predicciones de cada clase, mientras que cada fila representa a las instancias en la clase real.

Uno de los beneficios de las matrices de confusión es que facilitan ver si el sistema está confundiendo las diferentes clases o resultados.

Hay que encontrar a cuantos casos se le atinaron utilizando los datos de validación y con ello encontrar el porcentaje de aciertos.

Se puede evaluar el modelo con la matriz de confusión interpretando algunos estadísticos:

Se evalúa el modelo de acuerdo a estas condiciones:

Accuracy o exactitud \[ accuracy = \frac{VP + VN}{VP+FP+FN+VN} \\ n = VP+FP+FN+VN \]
Precision o precisión

\[ precision = \frac{VP}{VP + FP} \]

Recall o recuperación \[ recall = \frac{VP}{VP + FN} \]
Especificity o especificidad (tasa de verdaderos negativos)

\[ especificity = \frac{VN}{VN + FP} \]

4.7.6.1 Construyendo la matriz de confusión del modelo de regresión logística

Factorizar las columnas

Factorizar en R significa categorizar con la función “as.factor” o “factor”

Se muestra a tabla con las columnas de interés para interpretar las predicciones.

t_comparativa$real = as.factor(t_comparativa$real)
t_comparativa$prediccion = as.factor(t_comparativa$prediccion)
kable(head(t_comparativa, 20), caption = "Tabla comparativa, primeros 20 registros")

Tabla comparativa, primeros 20 registros
	real	prediccion
19	No	No
25	No	No
27	No	No
30	No	No
43	Yes	No
47	No	No
48	No	No
55	No	No
60	No	No
61	No	No
62	No	No
64	No	No
72	No	No
74	No	No
79	Yes	No
89	No	No
91	No	No
93	No	No
99	No	No
111	No	No

Creando de la matriz de confusión con la función confusionMatrix() de la librería caret con las variables de interés: “real” y “prediccion”, que representan los valores reales y las predicciones respectivamente.

matrixConfusion <- confusionMatrix(t_comparativa$real,t_comparativa$prediccion)
matrixConfusion

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction    No   Yes
##        No  57389  1095
##        Yes  4861   613
##                                           
##                Accuracy : 0.9069          
##                  95% CI : (0.9046, 0.9091)
##     No Information Rate : 0.9733          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.1355          
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.9219          
##             Specificity : 0.3589          
##          Pos Pred Value : 0.9813          
##          Neg Pred Value : 0.1120          
##              Prevalence : 0.9733          
##          Detection Rate : 0.8973          
##    Detection Prevalence : 0.9144          
##       Balanced Accuracy : 0.6404          
##                                           
##        'Positive' Class : No              
##

El valor estadístico de Accuracy = Exactitud igual a 0.9069 significa un valor aproximado del 90.69; se interpreta que de cada 100 el modelo acierta en la predicción el 90.69% de las ocasiones.

El modelo se construyó solo con una muestra de 2000 registros de los datos de entrenamiento.

Si la métrica era que debiera tener un valor por encima del 70% el modelo se acepta pero debe compararse contra otro modelo de clasificación para ver cual es más eficiente en relación tan solo en el estadístico de exactitud.

Este valor de Accuracy = Exactitud deberá compararse contra otros modelos.

4.8 Predicciones con datos nuevos

Se crea un registro de una persona con ciertas condiciones de salud.

BMI <- 38
Smoking <- 'Yes'
AlcoholDrinking = 'Yes'
Stroke <- 'Yes'
PhysicalHealth <- 2
MentalHealth = 5
DiffWalking = 'Yes'
Sex = 'Male'
AgeCategory = '70-74'
Race = 'Black'
Diabetic <- 'Yes'
PhysicalActivity = "No"
GenHealth = "Fair"
SleepTime = 12
Asthma = "Yes"
KidneyDisease = "Yes"
SkinCancer = 'No'
persona <- data.frame(BMI,Smoking, AlcoholDrinking, Stroke, PhysicalHealth, MentalHealth, DiffWalking, Sex, AgeCategory, Race, Diabetic, PhysicalActivity, GenHealth, SleepTime, Asthma, KidneyDisease, SkinCancer)
persona

##   BMI Smoking AlcoholDrinking Stroke PhysicalHealth MentalHealth DiffWalking
## 1  38     Yes             Yes    Yes              2            5         Yes
##    Sex AgeCategory  Race Diabetic PhysicalActivity GenHealth SleepTime Asthma
## 1 Male       70-74 Black      Yes               No      Fair        12    Yes
##   KidneyDisease SkinCancer
## 1           Yes         No

Se hace la predicción con estos valores:

prediccion <- predict(object = modelo.ac, newdata = persona, type = "class")
prediccion

##   1 
## Yes 
## Levels: No Yes

# prediccion <- prediccion$fit
# prediccion

Entonces la predicción es:

Si la predicción es ‘No’ entonces no tienen afección del corazón, en caso contrario de ‘Yes’ entonces implica que si tiene daño del corazón.

5 Interpretación

Pendiente …

Caso 9. Arbol de Clasificación. Daños corazón. Programación R

Rubén Pizarro Gurrola

2022-11-15