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/Analisis-Inteligente-de-datos/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    : 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  
##                                       
##                                       
##

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(1271)
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
13	No	28.37	Yes	No	No	0	0	Yes	Male	75-79	White	Yes	Yes	Very good	8	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
19	No	29.86	Yes	No	No	0	0	Yes	Female	75-79	Black	Yes	No	Fair	5	No	Yes	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
24	No	25.82	Yes	No	No	0	30	No	Male	80 or older	White	Yes	Yes	Fair	8	No	No	No
27	No	34.34	Yes	No	No	21	8	Yes	Female	65-69	White	No	Yes	Fair	9	No	No	No
28	No	31.66	Yes	No	No	5	0	No	Male	60-64	White	No	Yes	Very good	5	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
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
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
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
30	No	36.58	No	No	No	0	0	No	Female	60-64	White	Yes	No	Good	5	No	No	Yes
31	No	25.84	Yes	No	No	5	0	No	Male	70-74	Black	No	Yes	Good	8	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
37	No	24.62	No	No	No	5	0	No	Female	80 or older	White	No	Yes	Good	6	No	No	No
48	No	25.11	No	No	No	5	5	No	Female	65-69	Black	No	Yes	Good	7	No	No	No
51	No	26.61	No	No	No	0	0	No	Female	65-69	White	No	Yes	Good	12	Yes	No	No
57	No	32.55	Yes	No	No	0	0	No	Male	75-79	White	No	No	Very good	8	No	No	No
70	No	40.00	No	No	No	0	0	No	Male	60-64	Asian	Yes	No	Good	6	No	No	No
73	No	33.75	No	No	No	0	5	No	Male	50-54	White	Yes	Yes	Good	10	Yes	No	No
77	No	27.63	Yes	No	No	30	5	No	Female	75-79	White	Yes	Yes	Very good	8	No	No	No
79	Yes	28.29	Yes	No	No	30	30	No	Female	70-74	White	Yes	Yes	Poor	9	No	Yes	No
88	No	22.67	No	No	No	0	3	No	Female	80 or older	Black	No	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 0.01449275      0 1.0000000 1.000000 0.07557235
## 2 0.01242236      3 0.9565217 1.055901 0.07746564
## 3 0.01000000      5 0.9316770 1.043478 0.07705068
## 
## Variable importance
##       GenHealth          Stroke     AgeCategory       SleepTime             BMI 
##              33              17              11               9               9 
##  PhysicalHealth     DiffWalking    MentalHealth        Diabetic          Asthma 
##               7               5               3               2               2 
##      SkinCancer AlcoholDrinking 
##               1               1 
## 
## Node number 1: 2000 observations,    complexity param=0.01449275
##   predicted class=No   expected loss=0.0805  P(node) =1
##     class counts:  1839   161
##    probabilities: 0.919 0.080 
##   left son=2 (1732 obs) right son=3 (268 obs)
##   Primary splits:
##       GenHealth      splits as  LRLRL, improve=12.07047, (0 missing)
##       AgeCategory    splits as  LLLLLLLLRLRRR, improve=10.99336, (0 missing)
##       Stroke         splits as  LR, improve=10.39897, (0 missing)
##       DiffWalking    splits as  LR, improve=10.07165, (0 missing)
##       PhysicalHealth < 14.5   to the left,  improve= 9.88582, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 14.5   to the left,  agree=0.892, adj=0.198, (0 split)
##       BMI            < 17.145 to the right, agree=0.869, adj=0.019, (0 split)
##       DiffWalking    splits as  LR,         agree=0.867, adj=0.004, (0 split)
## 
## Node number 2: 1732 observations
##   predicted class=No   expected loss=0.05889145  P(node) =0.866
##     class counts:  1630   102
##    probabilities: 0.941 0.059 
## 
## Node number 3: 268 observations,    complexity param=0.01449275
##   predicted class=No   expected loss=0.2201493  P(node) =0.134
##     class counts:   209    59
##    probabilities: 0.780 0.220 
##   left son=6 (237 obs) right son=7 (31 obs)
##   Primary splits:
##       Stroke      splits as  LR, improve=6.141893, (0 missing)
##       DiffWalking splits as  LR, improve=4.179531, (0 missing)
##       AgeCategory splits as  LLLLLLLLLLRRR, improve=3.828806, (0 missing)
##       Diabetic    splits as  LLRL, improve=3.470637, (0 missing)
##       GenHealth   splits as  -L-R-, improve=3.029598, (0 missing)
## 
## Node number 6: 237 observations,    complexity param=0.01242236
##   predicted class=No   expected loss=0.1814346  P(node) =0.1185
##     class counts:   194    43
##    probabilities: 0.819 0.181 
##   left son=12 (211 obs) right son=13 (26 obs)
##   Primary splits:
##       SleepTime   < 8.5    to the left,  improve=3.410478, (0 missing)
##       AgeCategory splits as  LLLLLRLLRLRRR, improve=3.019630, (0 missing)
##       DiffWalking splits as  LR, improve=3.009458, (0 missing)
##       GenHealth   splits as  -L-R-, improve=2.552278, (0 missing)
##       Diabetic    splits as  LLRL, improve=2.014310, (0 missing)
## 
## Node number 7: 31 observations,    complexity param=0.01449275
##   predicted class=Yes  expected loss=0.483871  P(node) =0.0155
##     class counts:    15    16
##    probabilities: 0.484 0.516 
##   left son=14 (12 obs) right son=15 (19 obs)
##   Primary splits:
##       BMI              < 24.88  to the left,  improve=2.773345, (0 missing)
##       Diabetic         splits as  L-R-,       improve=2.379109, (0 missing)
##       MentalHealth     < 25.5   to the right, improve=2.190942, (0 missing)
##       Sex              splits as  LR,         improve=1.389854, (0 missing)
##       PhysicalActivity splits as  LR,         improve=1.317204, (0 missing)
##   Surrogate splits:
##       AgeCategory    splits as  ----RRRRLRRLL, agree=0.710, adj=0.250, (0 split)
##       Diabetic       splits as  L-R-, agree=0.710, adj=0.250, (0 split)
##       SkinCancer     splits as  RL, agree=0.677, adj=0.167, (0 split)
##       PhysicalHealth < 0.5    to the left,  agree=0.645, adj=0.083, (0 split)
##       MentalHealth   < 25.5   to the right, agree=0.645, adj=0.083, (0 split)
## 
## Node number 12: 211 observations
##   predicted class=No   expected loss=0.1516588  P(node) =0.1055
##     class counts:   179    32
##    probabilities: 0.848 0.152 
## 
## Node number 13: 26 observations,    complexity param=0.01242236
##   predicted class=No   expected loss=0.4230769  P(node) =0.013
##     class counts:    15    11
##    probabilities: 0.577 0.423 
##   left son=26 (10 obs) right son=27 (16 obs)
##   Primary splits:
##       AgeCategory  splits as  L--LLLRLLRRRR, improve=3.3923080, (0 missing)
##       Diabetic     splits as  L-R-, improve=1.7347320, (0 missing)
##       GenHealth    splits as  -L-R-, improve=1.1446890, (0 missing)
##       DiffWalking  splits as  LR, improve=0.8620047, (0 missing)
##       MentalHealth < 3.5    to the right, improve=0.6923077, (0 missing)
##   Surrogate splits:
##       DiffWalking     splits as  LR,         agree=0.808, adj=0.5, (0 split)
##       MentalHealth    < 3.5    to the right, agree=0.731, adj=0.3, (0 split)
##       Asthma          splits as  RL,         agree=0.692, adj=0.2, (0 split)
##       BMI             < 26.125 to the left,  agree=0.654, adj=0.1, (0 split)
##       AlcoholDrinking splits as  RL,         agree=0.654, adj=0.1, (0 split)
## 
## Node number 14: 12 observations
##   predicted class=No   expected loss=0.25  P(node) =0.006
##     class counts:     9     3
##    probabilities: 0.750 0.250 
## 
## Node number 15: 19 observations
##   predicted class=Yes  expected loss=0.3157895  P(node) =0.0095
##     class counts:     6    13
##    probabilities: 0.316 0.684 
## 
## Node number 26: 10 observations
##   predicted class=No   expected loss=0.1  P(node) =0.005
##     class counts:     9     1
##    probabilities: 0.900 0.100 
## 
## Node number 27: 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.

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)

##  11  12  14  15  22  23  25  26  30  31  32  37  48  51  57  70  73  77  79  88 
##  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No  No Yes  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
11	Yes	No
12	No	No
14	No	No
15	No	No
22	No	No
23	No	No
25	No	No
26	No	No
30	No	No
31	No	No
32	No	No
37	No	No
48	No	No
51	No	No
57	No	No
70	No	No
73	No	No
77	No	No
79	Yes	Yes
88	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
11	Yes	No
12	No	No
14	No	No
15	No	No
22	No	No
23	No	No
25	No	No
26	No	No
30	No	No
31	No	No
32	No	No
37	No	No
48	No	No
51	No	No
57	No	No
70	No	No
73	No	No
77	No	No
79	Yes	Yes
88	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  57630   854
##        Yes  4892   582
##                                           
##                Accuracy : 0.9102          
##                  95% CI : (0.9079, 0.9124)
##     No Information Rate : 0.9775          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.1378          
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.9218          
##             Specificity : 0.4053          
##          Pos Pred Value : 0.9854          
##          Neg Pred Value : 0.1063          
##              Prevalence : 0.9775          
##          Detection Rate : 0.9011          
##    Detection Prevalence : 0.9144          
##       Balanced Accuracy : 0.6635          
##                                           
##        'Positive' Class : No              
##

El valor estadístico de Accuracy = Exactitud igual a 0.9102 significa un valor aproximado del 91.02; se interpreta que de cada 100 el modelo acierta en la predicción el 91.02% 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

Obtuvimos una acccuracy de 91.02% por lo que podemos aprobar este modelo, y al podemor compararlo con el mismo modelo realiazado en Python tomando como semilla 1271 en ambos casos, obtuvimos: 91.46%, con lo que podemos ver que ambos se encuentran sumamente cercanos, pero en esta ocasión es mas eficiente usar Python, para poder predecir si el corazon se encuentra dañado o no.

5.1 Interpretacion Final

Listare el resultados de todos los modelos con los que evaluamos estos datos para poder ver como varia el resultado entre el modelo y lenguaje en que se evaluo:

Regresión Logistica en R: 91.58%
Regresión Logistica en Python: 91.51%
Arbol de Clasificación en R: 91.02%
Arbol de Clasificación en Python: 91.46%
Clasificación con KNN en R: 91.33%
Clasificación con KNN en Python: 91.32%
Máquinas de Soporte Vectorial en R:
- SVM Lineal: 91.44%
- SVM Polinomial: 91.54%
- SVM Radial: 91.46%
Maquinas de Soporte Vectorial en Python: ?
Random Forest en R: 91.45%

Podemos ver como con todos los modelos obtuvimos datos muy similares en ninguno hubo un grado de error muy grande, podemos concluir que para la obtencion de información en vital el uso de varios modelos y de realizar pruebas para poder validar una información, puedo decir que el manejo de la información en lo que lo tranforma en algo muy valioso en esta sociedad de cual debemos sacar el mayor provecho posible.

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

Luis Alberto Jiménez Soto

2022-11-29