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:

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")
#datos <- read.csv("../../datos/heart_2020_cleaned.csv", encoding = "UTF-8", stringsAsFactors = TRUE)

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(1264)
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
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
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
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
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
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
26 No 29.18 Yes No No 30 30 Yes Female 60-64 White No No Poor 6 Yes No No
27 No 34.34 Yes No No 21 8 Yes Female 65-69 White No Yes Fair 9 No 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
2 No 20.34 No No Yes 0 0 No Female 80 or older White No Yes Very good 7 No No 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
16 No 29.18 No No No 1 0 No Female 50-54 White No Yes Very good 6 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
23 No 26.17 Yes No No 0 15 No Female 45-49 White No Yes Very good 6 No No No
41 No 22.60 Yes No Yes 0 10 No Female 55-59 White No No Very good 8 No No No
44 Yes 30.23 Yes No No 6 2 Yes Female 75-79 White Yes Yes Fair 8 No Yes No
46 Yes 20.37 Yes No No 3 0 No Female 70-74 White No No Poor 10 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
66 No 26.63 No No No 20 0 No Female 65-69 White No Yes Fair 6 No Yes No
67 No 34.01 Yes No No 14 0 No Female 80 or older White No No Good 7 Yes Yes Yes
72 No 27.76 Yes No No 15 0 Yes Female 80 or older White No No Good 8 Yes No No
78 Yes 34.33 No No No 0 0 No Female 55-59 White No Yes Good 8 No No No
87 No 34.75 Yes No No 0 0 No Female 45-49 White No No Very good 7 No No Yes
89 No 32.81 Yes No No 0 0 Yes Female 70-74 White Yes Yes Good 5 No No No
101 No 24.80 No No No 8 0 No Female 80 or older White No, borderline diabetes Yes Excellent 8 No No No
102 Yes 24.68 Yes No No 30 30 Yes Male 70-74 White No Yes Fair 8 No No Yes
104 No 27.98 No No No 0 0 No Male 80 or older White No No Excellent 3 No 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 0.02108434      0 1.0000000 1.000000 0.07432427
## 2 0.01000000      4 0.9156627 1.066265 0.07651681
## 
## Variable importance
##           Stroke      AgeCategory              BMI         Diabetic 
##               46               15               12               11 
##        GenHealth           Asthma        SleepTime PhysicalActivity 
##                5                2                2                2 
##     MentalHealth   PhysicalHealth             Race 
##                2                1                1 
## 
## Node number 1: 2000 observations,    complexity param=0.02108434
##   predicted class=No   expected loss=0.083  P(node) =1
##     class counts:  1834   166
##    probabilities: 0.917 0.083 
##   left son=2 (1919 obs) right son=3 (81 obs)
##   Primary splits:
##       Stroke        splits as  LR, improve=17.76853, (0 missing)
##       GenHealth     splits as  LRLRL, improve=16.27136, (0 missing)
##       Diabetic      splits as  LLRL, improve=10.45462, (0 missing)
##       AgeCategory   splits as  LLLLLLLRRRRRR, improve= 9.98739, (0 missing)
##       KidneyDisease splits as  LR, improve= 9.79648, (0 missing)
## 
## Node number 2: 1919 observations
##   predicted class=No   expected loss=0.06930693  P(node) =0.9595
##     class counts:  1786   133
##    probabilities: 0.931 0.069 
## 
## Node number 3: 81 observations,    complexity param=0.02108434
##   predicted class=No   expected loss=0.4074074  P(node) =0.0405
##     class counts:    48    33
##    probabilities: 0.593 0.407 
##   left son=6 (40 obs) right son=7 (41 obs)
##   Primary splits:
##       AgeCategory      splits as  --LLLLRLRRRRL, improve=5.258672, (0 missing)
##       BMI              < 36.655 to the left,  improve=3.516745, (0 missing)
##       Asthma           splits as  LR, improve=3.166581, (0 missing)
##       Diabetic         splits as  LRR-, improve=3.156566, (0 missing)
##       PhysicalActivity splits as  RL, improve=2.261422, (0 missing)
##   Surrogate splits:
##       Diabetic     splits as  LRR-,       agree=0.630, adj=0.250, (0 split)
##       GenHealth    splits as  RRLLR,      agree=0.593, adj=0.175, (0 split)
##       Asthma       splits as  LR,         agree=0.593, adj=0.175, (0 split)
##       BMI          < 24.495 to the left,  agree=0.580, adj=0.150, (0 split)
##       MentalHealth < 4      to the right, agree=0.568, adj=0.125, (0 split)
## 
## Node number 6: 40 observations
##   predicted class=No   expected loss=0.225  P(node) =0.02
##     class counts:    31     9
##    probabilities: 0.775 0.225 
## 
## Node number 7: 41 observations,    complexity param=0.02108434
##   predicted class=Yes  expected loss=0.4146341  P(node) =0.0205
##     class counts:    17    24
##    probabilities: 0.415 0.585 
##   left son=14 (33 obs) right son=15 (8 obs)
##   Primary splits:
##       BMI              < 35.74  to the left,  improve=3.417591, (0 missing)
##       PhysicalActivity splits as  RL,         improve=3.294596, (0 missing)
##       PhysicalHealth   < 2.5    to the left,  improve=2.375869, (0 missing)
##       Diabetic         splits as  LRR-,       improve=1.912008, (0 missing)
##       SleepTime        < 7.5    to the right, improve=1.912008, (0 missing)
##   Surrogate splits:
##       SleepTime < 9.5    to the left,  agree=0.854, adj=0.250, (0 split)
##       Race      splits as  L-LLRL,     agree=0.829, adj=0.125, (0 split)
##       Diabetic  splits as  LRL-,       agree=0.829, adj=0.125, (0 split)
## 
## Node number 14: 33 observations,    complexity param=0.02108434
##   predicted class=No   expected loss=0.4848485  P(node) =0.0165
##     class counts:    17    16
##    probabilities: 0.515 0.485 
##   left son=28 (15 obs) right son=29 (18 obs)
##   Primary splits:
##       Diabetic         splits as  L-R-,       improve=2.618182, (0 missing)
##       SleepTime        < 7.5    to the right, improve=2.618182, (0 missing)
##       PhysicalActivity splits as  RL,         improve=1.939394, (0 missing)
##       PhysicalHealth   < 2.5    to the left,  improve=1.846387, (0 missing)
##       BMI              < 27.73  to the left,  improve=1.214172, (0 missing)
##   Surrogate splits:
##       GenHealth        splits as  RRRRL, agree=0.727, adj=0.400, (0 split)
##       AgeCategory      splits as  ------L-RRLR-, agree=0.667, adj=0.267, (0 split)
##       PhysicalActivity splits as  RL, agree=0.667, adj=0.267, (0 split)
##       PhysicalHealth   < 12.5   to the left,  agree=0.636, adj=0.200, (0 split)
##       BMI              < 27.185 to the left,  agree=0.606, adj=0.133, (0 split)
## 
## Node number 15: 8 observations
##   predicted class=Yes  expected loss=0  P(node) =0.004
##     class counts:     0     8
##    probabilities: 0.000 1.000 
## 
## Node number 28: 15 observations
##   predicted class=No   expected loss=0.2666667  P(node) =0.0075
##     class counts:    11     4
##    probabilities: 0.733 0.267 
## 
## Node number 29: 18 observations
##   predicted class=Yes  expected loss=0.3333333  P(node) =0.009
##     class counts:     6    12
##    probabilities: 0.333 0.667

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)
##   2  10  11  12  16  20  23  41  44  46  49  66  67  72  78  87  89 101 102 104 
##  No  No  No  No  No  No  No  No  No  No  No  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
2 No No
10 No No
11 Yes No
12 No No
16 No No
20 No No
23 No No
41 No No
44 Yes No
46 Yes No
49 No No
66 No No
67 No No
72 No No
78 Yes No
87 No No
89 No No
101 No No
102 Yes No
104 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
2 No No
10 No No
11 Yes No
12 No No
16 No No
20 No No
23 No No
41 No No
44 Yes No
46 Yes No
49 No No
66 No No
67 No No
72 No No
78 Yes No
87 No No
89 No No
101 No No
102 Yes No
104 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  58144   340
##        Yes  5155   319
##                                           
##                Accuracy : 0.9141          
##                  95% CI : (0.9119, 0.9162)
##     No Information Rate : 0.9897          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.0872          
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.91856         
##             Specificity : 0.48407         
##          Pos Pred Value : 0.99419         
##          Neg Pred Value : 0.05828         
##              Prevalence : 0.98970         
##          Detection Rate : 0.90910         
##    Detection Prevalence : 0.91441         
##       Balanced Accuracy : 0.70131         
##                                           
##        '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.

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

Al igual que con el modelo de regresion logistica binaria, con el seed “1264” existe una mayor numero de Falsos Negativos (5155) que de Falsos Positivos (340), a pesar de que tenga un rendimiendo de 91% de Accuarcy este modelo, al ser un tema de salud, en este contexto es de mucha gravedad que haya mas inclinacion de error en Falsos Negativos ya que vidas correran peligro a diferencia si sale algun Falso Positivo, en donde con mas estudios solo sera como una noticia de mal gusto. Por lo que valdria la pena buscar la mejora de este modelo o alternativa.