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.

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%..

Fundamento teórico

Desarrollo

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

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")

Explorar datos

str(datos)

## 'data.frame':    319795 obs. of  18 variables:
##  $ HeartDisease    : chr  "No" "No" "No" "No" ...
##  $ BMI             : num  16.6 20.3 26.6 24.2 23.7 ...
##  $ Smoking         : chr  "Yes" "No" "Yes" "No" ...
##  $ AlcoholDrinking : chr  "No" "No" "No" "No" ...
##  $ Stroke          : chr  "No" "Yes" "No" "No" ...
##  $ 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     : chr  "No" "No" "No" "No" ...
##  $ Sex             : chr  "Female" "Female" "Male" "Female" ...
##  $ AgeCategory     : chr  "55-59" "80 or older" "65-69" "75-79" ...
##  $ Race            : chr  "White" "White" "White" "White" ...
##  $ Diabetic        : chr  "Yes" "No" "Yes" "No" ...
##  $ PhysicalActivity: chr  "Yes" "Yes" "Yes" "No" ...
##  $ GenHealth       : chr  "Very good" "Very good" "Fair" "Good" ...
##  $ SleepTime       : num  5 7 8 6 8 12 4 9 5 10 ...
##  $ Asthma          : chr  "Yes" "No" "Yes" "No" ...
##  $ KidneyDisease   : chr  "No" "No" "No" "No" ...
##  $ SkinCancer      : chr  "Yes" "No" "No" "Yes" ...

summary(datos)

##  HeartDisease            BMI          Smoking          AlcoholDrinking   
##  Length:319795      Min.   :12.02   Length:319795      Length:319795     
##  Class :character   1st Qu.:24.03   Class :character   Class :character  
##  Mode  :character   Median :27.34   Mode  :character   Mode  :character  
##                     Mean   :28.33                                        
##                     3rd Qu.:31.42                                        
##                     Max.   :94.85                                        
##     Stroke          PhysicalHealth    MentalHealth    DiffWalking       
##  Length:319795      Min.   : 0.000   Min.   : 0.000   Length:319795     
##  Class :character   1st Qu.: 0.000   1st Qu.: 0.000   Class :character  
##  Mode  :character   Median : 0.000   Median : 0.000   Mode  :character  
##                     Mean   : 3.372   Mean   : 3.898                     
##                     3rd Qu.: 2.000   3rd Qu.: 3.000                     
##                     Max.   :30.000   Max.   :30.000                     
##      Sex            AgeCategory            Race             Diabetic        
##  Length:319795      Length:319795      Length:319795      Length:319795     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  PhysicalActivity    GenHealth           SleepTime         Asthma         
##  Length:319795      Length:319795      Min.   : 1.000   Length:319795     
##  Class :character   Class :character   1st Qu.: 6.000   Class :character  
##  Mode  :character   Mode  :character   Median : 7.000   Mode  :character  
##                                        Mean   : 7.097                     
##                                        3rd Qu.: 8.000                     
##                                        Max.   :24.000                     
##  KidneyDisease       SkinCancer       
##  Length:319795      Length:319795     
##  Class :character   Class :character  
##  Mode  :character   Mode  :character  
##                                       
##                                       
##

Limpiar datos

No es necesario alguna transformación

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’.

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(1280)
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, ]

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
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
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
18	No	22.59	Yes	No	No	0	30	Yes	Male	70-74	White	No, borderline diabetes	Yes	Good	8	No	No	No
19	No	29.86	Yes	No	No	0	0	Yes	Female	75-79	Black	Yes	No	Fair	5	No	Yes	No
21	No	21.16	No	No	No	0	0	No	Female	80 or older	Black	No, borderline diabetes	No	Good	8	No	No	No
22	No	28.90	No	No	No	2	5	No	Female	70-74	White	Yes	No	Very good	7	No	No	No
23	No	26.17	Yes	No	No	0	15	No	Female	45-49	White	No	Yes	Very good	6	No	No	No
26	No	29.18	Yes	No	No	30	30	Yes	Female	60-64	White	No	No	Poor	6	Yes	No	No

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
7	No	21.63	No	No	No	15	0	No	Female	70-74	White	No	Yes	Fair	4	Yes	No	Yes
13	No	28.37	Yes	No	No	0	0	Yes	Male	75-79	White	Yes	Yes	Very good	8	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
20	No	18.13	No	No	No	0	0	No	Male	80 or older	White	No	Yes	Excellent	8	No	No	Yes
24	No	25.82	Yes	No	No	0	30	No	Male	80 or older	White	Yes	Yes	Fair	8	No	No	No
25	No	25.75	No	No	No	0	0	No	Female	80 or older	White	No	Yes	Very good	6	No	No	Yes
29	No	24.89	No	No	No	1	0	No	Female	55-59	White	No	Yes	Very good	7	No	No	No
32	No	30.67	No	No	No	4	4	Yes	Female	80 or older	White	No	Yes	Fair	8	Yes	No	No
33	No	45.35	No	No	No	30	0	Yes	Male	70-74	White	Yes	No	Good	8	No	No	No
38	No	20.43	Yes	No	No	3	3	No	Female	65-69	White	No	Yes	Fair	5	Yes	No	Yes
40	No	21.93	No	No	No	3	2	No	Female	70-74	Black	No	Yes	Fair	4	No	Yes	No
41	No	22.60	Yes	No	Yes	0	10	No	Female	55-59	White	No	No	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
49	No	20.12	No	No	No	0	0	Yes	Female	80 or older	White	No	No	Fair	7	No	No	Yes
55	No	32.10	No	No	No	14	0	No	Male	65-69	White	Yes	Yes	Very good	9	No	No	No
57	No	32.55	Yes	No	No	0	0	No	Male	75-79	White	No	No	Very good	8	No	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
67	No	34.01	Yes	No	No	14	0	No	Female	80 or older	White	No	No	Good	7	Yes	Yes	Yes
71	No	21.97	No	No	No	0	0	No	Female	65-69	Black	No	No	Very good	10	Yes	No	No

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 ~ .)

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 0.02339181      0 1.0000000 1.0000000 0.07312970
## 2 0.01461988      3 0.9298246 0.9824561 0.07254480
## 3 0.01169591      5 0.9005848 0.9941520 0.07293549
## 4 0.01000000      7 0.8771930 1.0058480 0.07332317
## 
## Variable importance
##    AgeCategory      GenHealth  KidneyDisease PhysicalHealth            BMI 
##             26             20             15             10             10 
##   MentalHealth      SleepTime     SkinCancer    DiffWalking       Diabetic 
##              8              4              2              2              1 
##           Race         Stroke 
##              1              1 
## 
## Node number 1: 2000 observations,    complexity param=0.02339181
##   predicted class=No   expected loss=0.0855  P(node) =1
##     class counts:  1829   171
##    probabilities: 0.914 0.086 
##   left son=2 (1289 obs) right son=3 (711 obs)
##   Primary splits:
##       AgeCategory   splits as  LLLLLLLLLRRRR, improve=16.35216, (0 missing)
##       GenHealth     splits as  LRLRL, improve=15.41274, (0 missing)
##       KidneyDisease splits as  LR, improve=14.66334, (0 missing)
##       DiffWalking   splits as  LR, improve=11.40130, (0 missing)
##       Diabetic      splits as  LLRL, improve=10.68975, (0 missing)
##   Surrogate splits:
##       SkinCancer    splits as  LR,         agree=0.678, adj=0.094, (0 split)
##       DiffWalking   splits as  LR,         agree=0.658, adj=0.038, (0 split)
##       KidneyDisease splits as  LR,         agree=0.656, adj=0.032, (0 split)
##       SleepTime     < 8.5    to the left,  agree=0.655, adj=0.031, (0 split)
##       Diabetic      splits as  LLRL,       agree=0.655, adj=0.030, (0 split)
## 
## Node number 2: 1289 observations
##   predicted class=No   expected loss=0.03801396  P(node) =0.6445
##     class counts:  1240    49
##    probabilities: 0.962 0.038 
## 
## Node number 3: 711 observations,    complexity param=0.02339181
##   predicted class=No   expected loss=0.1715893  P(node) =0.3555
##     class counts:   589   122
##    probabilities: 0.828 0.172 
##   left son=6 (577 obs) right son=7 (134 obs)
##   Primary splits:
##       GenHealth      splits as  LRLRL,      improve=12.439430, (0 missing)
##       KidneyDisease  splits as  LR,         improve=12.059900, (0 missing)
##       DiffWalking    splits as  LR,         improve= 8.374490, (0 missing)
##       Sex            splits as  LR,         improve= 5.899227, (0 missing)
##       PhysicalHealth < 4.5    to the left,  improve= 5.472885, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 14.5   to the left,  agree=0.850, adj=0.201, (0 split)
##       MentalHealth   < 17.5   to the left,  agree=0.826, adj=0.075, (0 split)
##       DiffWalking    splits as  LR,         agree=0.820, adj=0.045, (0 split)
##       BMI            < 17.99  to the right, agree=0.817, adj=0.030, (0 split)
## 
## Node number 6: 577 observations
##   predicted class=No   expected loss=0.1265165  P(node) =0.2885
##     class counts:   504    73
##    probabilities: 0.873 0.127 
## 
## Node number 7: 134 observations,    complexity param=0.02339181
##   predicted class=No   expected loss=0.3656716  P(node) =0.067
##     class counts:    85    49
##    probabilities: 0.634 0.366 
##   left son=14 (116 obs) right son=15 (18 obs)
##   Primary splits:
##       KidneyDisease splits as  LR,         improve=9.095214, (0 missing)
##       MentalHealth  < 0.5    to the right, improve=4.058771, (0 missing)
##       Sex           splits as  LR,         improve=1.782710, (0 missing)
##       SleepTime     < 6.5    to the left,  improve=1.345381, (0 missing)
##       BMI           < 23.625 to the left,  improve=1.330096, (0 missing)
## 
## Node number 14: 116 observations,    complexity param=0.01461988
##   predicted class=No   expected loss=0.2931034  P(node) =0.058
##     class counts:    82    34
##    probabilities: 0.707 0.293 
##   left son=28 (50 obs) right son=29 (66 obs)
##   Primary splits:
##       MentalHealth < 0.5    to the right, improve=4.119875, (0 missing)
##       Sex          splits as  LR, improve=2.311754, (0 missing)
##       AgeCategory  splits as  ---------RRLR, improve=2.219836, (0 missing)
##       BMI          < 35.11  to the right, improve=1.603420, (0 missing)
##       GenHealth    splits as  -L-R-, improve=1.145509, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 1      to the right, agree=0.681, adj=0.26, (0 split)
##       SleepTime      < 5.5    to the left,  agree=0.638, adj=0.16, (0 split)
##       AgeCategory    splits as  ---------LRRR, agree=0.621, adj=0.12, (0 split)
##       BMI            < 17.375 to the left,  agree=0.586, adj=0.04, (0 split)
##       Race           splits as  R-RLRR, agree=0.586, adj=0.04, (0 split)
## 
## Node number 15: 18 observations
##   predicted class=Yes  expected loss=0.1666667  P(node) =0.009
##     class counts:     3    15
##    probabilities: 0.167 0.833 
## 
## Node number 28: 50 observations
##   predicted class=No   expected loss=0.14  P(node) =0.025
##     class counts:    43     7
##    probabilities: 0.860 0.140 
## 
## Node number 29: 66 observations,    complexity param=0.01461988
##   predicted class=No   expected loss=0.4090909  P(node) =0.033
##     class counts:    39    27
##    probabilities: 0.591 0.409 
##   left son=58 (43 obs) right son=59 (23 obs)
##   Primary splits:
##       PhysicalHealth < 12     to the left,  improve=2.813034, (0 missing)
##       Sex            splits as  LR, improve=2.104804, (0 missing)
##       BMI            < 23.56  to the left,  improve=2.074091, (0 missing)
##       GenHealth      splits as  -L-R-, improve=1.469715, (0 missing)
##       AgeCategory    splits as  ---------RRLR, improve=1.363636, (0 missing)
##   Surrogate splits:
##       GenHealth       splits as  -L-R-, agree=0.758, adj=0.304, (0 split)
##       DiffWalking     splits as  LR, agree=0.682, adj=0.087, (0 split)
##       BMI             < 43.28  to the left,  agree=0.667, adj=0.043, (0 split)
##       AlcoholDrinking splits as  LR, agree=0.667, adj=0.043, (0 split)
##       AgeCategory     splits as  ---------RLLL, agree=0.667, adj=0.043, (0 split)
## 
## Node number 58: 43 observations,    complexity param=0.01169591
##   predicted class=No   expected loss=0.3023256  P(node) =0.0215
##     class counts:    30    13
##    probabilities: 0.698 0.302 
##   left son=116 (9 obs) right son=117 (34 obs)
##   Primary splits:
##       BMI            < 35.2   to the right, improve=2.0807110, (0 missing)
##       Sex            splits as  LR, improve=1.5920240, (0 missing)
##       PhysicalHealth < 1      to the right, improve=1.0668080, (0 missing)
##       AgeCategory    splits as  ---------RRLR, improve=0.8323453, (0 missing)
##       Diabetic       splits as  RLLL, improve=0.6126532, (0 missing)
## 
## Node number 59: 23 observations
##   predicted class=Yes  expected loss=0.3913043  P(node) =0.0115
##     class counts:     9    14
##    probabilities: 0.391 0.609 
## 
## Node number 116: 9 observations
##   predicted class=No   expected loss=0  P(node) =0.0045
##     class counts:     9     0
##    probabilities: 1.000 0.000 
## 
## Node number 117: 34 observations,    complexity param=0.01169591
##   predicted class=No   expected loss=0.3823529  P(node) =0.017
##     class counts:    21    13
##    probabilities: 0.618 0.382 
##   left son=234 (18 obs) right son=235 (16 obs)
##   Primary splits:
##       BMI            < 26.05  to the left,  improve=3.5588240, (0 missing)
##       AgeCategory    splits as  ---------RRLR, improve=1.8010460, (0 missing)
##       Sex            splits as  LR, improve=1.2237360, (0 missing)
##       PhysicalHealth < 1      to the right, improve=1.0112040, (0 missing)
##       SleepTime      < 6.5    to the left,  improve=0.9672484, (0 missing)
##   Surrogate splits:
##       SleepTime   < 6.5    to the left,  agree=0.735, adj=0.438, (0 split)
##       Stroke      splits as  LR, agree=0.588, adj=0.125, (0 split)
##       AgeCategory splits as  ---------RLLL, agree=0.588, adj=0.125, (0 split)
##       Race        splits as  L-LRRL, agree=0.588, adj=0.125, (0 split)
##       Diabetic    splits as  LLRR, agree=0.588, adj=0.125, (0 split)
## 
## Node number 234: 18 observations
##   predicted class=No   expected loss=0.1666667  P(node) =0.009
##     class counts:    15     3
##    probabilities: 0.833 0.167 
## 
## Node number 235: 16 observations
##   predicted class=Yes  expected loss=0.375  P(node) =0.008
##     class counts:     6    10
##    probabilities: 0.375 0.625

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

Visualizar árbol de clasificación

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

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")

Predicciones

Head(predicciones, 20) los primeros 20 predicciones

head(prediciones_ac, 20)

##   7  13  17  20  24  25  29  32  33  38  40  41  48  49  55  57  62  64  67  71 
## Yes  No  No  No  No  No  No  No  No  No Yes  No  No  No  No  No  No  No  No  No 
## Levels: No Yes

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
7	No	Yes
13	No	No
17	No	No
20	No	No
24	No	No
25	No	No
29	No	No
32	No	No
33	No	No
38	No	No
40	No	Yes
41	No	No
48	No	No
49	No	No
55	No	No
57	No	No
62	No	No
64	No	No
67	No	No
71	No	No

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)

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

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
7	No	Yes
13	No	No
17	No	No
20	No	No
24	No	No
25	No	No
29	No	No
32	No	No
33	No	No
38	No	No
40	No	Yes
41	No	No
48	No	No
49	No	No
55	No	No
57	No	No
62	No	No
64	No	No
67	No	No
71	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  57152  1332
##        Yes  4715   759
##                                           
##                Accuracy : 0.9055          
##                  95% CI : (0.9032, 0.9077)
##     No Information Rate : 0.9673          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.161           
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.9238          
##             Specificity : 0.3630          
##          Pos Pred Value : 0.9772          
##          Neg Pred Value : 0.1387          
##              Prevalence : 0.9673          
##          Detection Rate : 0.8936          
##    Detection Prevalence : 0.9144          
##       Balanced Accuracy : 0.6434          
##                                           
##        'Positive' Class : No              
##

El valor estadístico de Accuracy = Exactitud igual a 0.9055 significa un valor aproximado del 90.55; se interpreta que de cada 100 el modelo acierta en la predicción el 90.55% 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.

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.

Interpretación

En esta ocasión el algoritmo de clasificación que se ha contemplado para evaluar se llama Árbol de Clasificación y se hace con respecto al estádistico Accuracy de la Matriz de Confusión que se refiere explicitamente a la exactitud que existe en la predicción con la que trabaja el modelo, y a través del cual se define, de manera cuantificada, que tanta diferencia hay entre los datos reales y los que son predichos por el modelo en cuestión.

Un dato interesante de este modelo es que se construyó solo con una muestra de 2000 registros de los datos de entrenamiento, debido a que si se hacia con todos los datos de entrenamiento, sería impoisble visualizar el esquema del árbol de clasificación y sus ramificaciones.

El contexto de los datos reside en su relación con la condición de salud de las personas, misma que es utilizada para predecir anomalías de corazón. Durante este proceso se busca evaluar la exactitud del modelo mediante la matriz de confusión que ya se ha mencionado. Bajo mi punto de vista, yo considero que el objetivo de este modelo es bastante útil debido a que clasifica a las personas en dos áreas, si tiene problemas del corazón o no, así de simple. No obstante, esto lo hace basadonse en una gran cantidad de parámetros de manera análitica y siguiendo un proceso matemático que resulta muy interesante descubrir.

Después de realizar algunas predicciones utilizando la semilla 1280, se obtuvo un valor aproximado del 90.55% de exactitud (Accuracy) en el modelo de árbol de clasificación. Cabe señalar que este valor es un poco menor comparado con en el que arroja el mismo modelo en lenguaje Python, que es del 91.48% haciendo uso de los mismos datos de entrada, es decir, de la semilla 1280.

El modelo se aprueba dado que la métrica es igual o superior al 70%.

Aunque en este caso la utilidad de conocer el dato arrojado por la estádistica Accuracy es bastante, es necesario compararla con otro modelo de clasificación, por ejemplo, el modelo de Regresión Logística Binaria. Sin embargo, quiero recalcar la importancia de este tipo de algoritmos que son utilizados cuando la variable dependiente es de tipo categórica o cualitativa y que tienen un significado conforme a una etiqueta, que a decir verdad, suelen darse en muchas situaciones de la vida real.

Se hizo una predicción de un caso e una persona con ciertas condiciones de salud y en la predicción, en términos de clasificación, resulta que la persona tiene daño al corazón.

Caso 9. Predicciones de daños Corazón. Arbol de Clasificación en R

Emilio Martínez Aguilar

2022-11-14