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 en Python 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 (accuracy) por encima del 70%..

3 Fundamento teórico

Los árboles de clasificación son el subtipo de árboles de predicción que se aplica cuando la variable respuesta dependiente es de tipo categórica o cualitativa y que tiene un significado conforme o de acuerdo a una etiqueta.(Amat Rodrigo 2017)

(amat_rodrigo_arboles_2020?)

La etiqueta puede ser ‘BUENO’ o ‘MALO’; ‘0’ o ‘1’; ‘ALTO’ O ‘BAJO’; ‘ENFERMO, ’NO ENFERMO’; entre otros ejemplos.

4 Desarrollo

4.1 Cargar librerías

Algunas librerías son nuevas, hay que instalarlas desde R, aquí se indican cuáles librerías y con comentario dado que ya se instalaron previamente.

# library(reticulate)
# py_install("statsmodels")

# Tratamiento de datos
import pandas as pd
import numpy as np
import statsmodels.api as sm
# Estadísticas
import scipy 
from scipy import stats
# Para partir datos entrenamiento y validación
from sklearn.model_selection import train_test_split
# Modelo de Clasificación 
from sklearn.metrics import classification_report
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import plot_tree
from sklearn.tree import export_graphviz
from sklearn.tree import export_text
from sklearn.model_selection import GridSearchCV
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
# Gráficos
import matplotlib.pyplot as plt
import seaborn as sb

4.2 Cargar los datos

Se cargan datos del enlace URL, se observan los primeros y últimos registros del conjunto de datos.

datos = pd.read_csv("https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/heart_2020_cleaned.csv")
datos

##        HeartDisease    BMI Smoking  ... Asthma KidneyDisease  SkinCancer
## 0                No  16.60     Yes  ...    Yes            No         Yes
## 1                No  20.34      No  ...     No            No          No
## 2                No  26.58     Yes  ...    Yes            No          No
## 3                No  24.21      No  ...     No            No         Yes
## 4                No  23.71      No  ...     No            No          No
## ...             ...    ...     ...  ...    ...           ...         ...
## 319790          Yes  27.41     Yes  ...    Yes            No          No
## 319791           No  29.84     Yes  ...    Yes            No          No
## 319792           No  24.24      No  ...     No            No          No
## 319793           No  32.81      No  ...     No            No          No
## 319794           No  46.56      No  ...     No            No          No
## 
## [319795 rows x 18 columns]

4.3 Exploración de datos

Son 319795 observaciones y 18 variables

print("Observaciones y variables: ", datos.shape)

## Observaciones y variables:  (319795, 18)

print("Columnas y tipo de dato")
# datos.columns

## Columnas y tipo de dato

datos.dtypes

## HeartDisease         object
## BMI                 float64
## Smoking              object
## AlcoholDrinking      object
## Stroke               object
## PhysicalHealth      float64
## MentalHealth        float64
## DiffWalking          object
## Sex                  object
## AgeCategory          object
## Race                 object
## Diabetic             object
## PhysicalActivity     object
## GenHealth            object
## SleepTime           float64
## Asthma               object
## KidneyDisease        object
## SkinCancer           object
## dtype: object

4.3.1 Visualización de datos

4.3.1.1 ¿Cuántos casos hay de cada clase?

Hay 292422 casos sin daño al corazón y el resto que si tienen daño 27373.

frecuencia = (datos.groupby("HeartDisease").agg(frecuencia=("HeartDisease","count")).reset_index())
  
frecuencia

##   HeartDisease  frecuencia
## 0           No      292422
## 1          Yes       27373

fig, ax = plt.subplots()
# Colores
bar_labels = ['No', 'Yes']
bar_colors = ['tab:blue', 'tab:red']
#frecuencia['frecuencia'].plot(kind="bar")
ax.bar(frecuencia['HeartDisease'], frecuencia['frecuencia'], label=bar_labels, color=bar_colors)

## <BarContainer object of 2 artists>

ax.set_ylabel('Frecuencia')
ax.set_title('Daños al Corazón')
ax.legend(title='Daño')
plt.show()
# plt.gcf().clear()

4.3.1.2 Histogramas de datos numéricos

Histograma únicamente de las variables numéricas del conjunto de datos ‘BMI’, ‘PhysicalHealth’, ‘MentalHealth’, ‘SleepTime’.

datos[['BMI', 'PhysicalHealth', 'MentalHealth', 'SleepTime']].hist()

## array([[<AxesSubplot: title={'center': 'BMI'}>,
##         <AxesSubplot: title={'center': 'PhysicalHealth'}>],
##        [<AxesSubplot: title={'center': 'MentalHealth'}>,
##         <AxesSubplot: title={'center': 'SleepTime'}>]], dtype=object)

4.4 Transformar datos

Crear variable llamada HeartDisease01 que se utilizará en el modelo de Regresión Logística tendrá valores 0 de para ‘No’ daño y 1 para si hay daño (‘Yes’).

datos['HeartDisease01'] = np.where(datos ['HeartDisease']== "Yes", 1, 0)

Quitar la variable HeartDisease que ya tiene variable transformada a HeartDisease01

datos = datos.drop("HeartDisease", axis='columns')

Quedaron las columnas:

datos.columns.values

## array(['BMI', 'Smoking', 'AlcoholDrinking', 'Stroke', 'PhysicalHealth',
##        'MentalHealth', 'DiffWalking', 'Sex', 'AgeCategory', 'Race',
##        'Diabetic', 'PhysicalActivity', 'GenHealth', 'SleepTime', 'Asthma',
##        'KidneyDisease', 'SkinCancer', 'HeartDisease01'], dtype=object)

4.4.1 Las variables de interés

Todas las variables 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’ , ahora la variable HeartDisease01 con valores ‘1’ o ‘0’.

Nuevamente la descripción de variables y ahora son 319795 observaciones y 18 variables

print("Observaciones y variables: ", datos.shape)

## Observaciones y variables:  (319795, 18)

print("Columnas y tipo de dato")
# datos.columns

## Columnas y tipo de dato

datos.dtypes

## BMI                 float64
## Smoking              object
## AlcoholDrinking      object
## Stroke               object
## PhysicalHealth      float64
## MentalHealth        float64
## DiffWalking          object
## Sex                  object
## AgeCategory          object
## Race                 object
## Diabetic             object
## PhysicalActivity     object
## GenHealth            object
## SleepTime           float64
## Asthma               object
## KidneyDisease        object
## SkinCancer           object
## HeartDisease01        int32
## dtype: object

Para construir el modelo, se requiere variables de tipo numérica, aún se tienen en las variables independiente variables de tipo categóricas u object en Python:

Las variables que son categóricas: ‘Smoking’, ‘AlcoholDrinking’, ‘Stroke’, ‘DiffWalking’, ‘Sex’, ‘AgeCategory’, ‘Race’, ‘Diabetic’, ‘PhysicalActivity’, ‘GenHealth’, ‘Asthma’, ‘KidneyDisease’, ‘SkinCancer’.

Con estas variables, crear variables Dummys y construir un conjunto de datos que incluye las variable dummis.

El método de la librería de Pandas llamado get_dummies() convierte los datos categóricos en variables indicadoras o ficticias.

datos_dummis = pd.get_dummies(datos, drop_first = True)
datos_dummis

##           BMI  PhysicalHealth  ...  KidneyDisease_Yes  SkinCancer_Yes
## 0       16.60             3.0  ...                  0               1
## 1       20.34             0.0  ...                  0               0
## 2       26.58            20.0  ...                  0               0
## 3       24.21             0.0  ...                  0               1
## 4       23.71            28.0  ...                  0               0
## ...       ...             ...  ...                ...             ...
## 319790  27.41             7.0  ...                  0               0
## 319791  29.84             0.0  ...                  0               0
## 319792  24.24             0.0  ...                  0               0
## 319793  32.81             0.0  ...                  0               0
## 319794  46.56             0.0  ...                  0               0
## 
## [319795 rows x 38 columns]

Asi queda el conjunto de datos preparado llamado datos_dummis

datos_dummis.dtypes

## BMI                                 float64
## PhysicalHealth                      float64
## MentalHealth                        float64
## SleepTime                           float64
## HeartDisease01                        int32
## Smoking_Yes                           uint8
## AlcoholDrinking_Yes                   uint8
## Stroke_Yes                            uint8
## DiffWalking_Yes                       uint8
## Sex_Male                              uint8
## AgeCategory_25-29                     uint8
## AgeCategory_30-34                     uint8
## AgeCategory_35-39                     uint8
## AgeCategory_40-44                     uint8
## AgeCategory_45-49                     uint8
## AgeCategory_50-54                     uint8
## AgeCategory_55-59                     uint8
## AgeCategory_60-64                     uint8
## AgeCategory_65-69                     uint8
## AgeCategory_70-74                     uint8
## AgeCategory_75-79                     uint8
## AgeCategory_80 or older               uint8
## Race_Asian                            uint8
## Race_Black                            uint8
## Race_Hispanic                         uint8
## Race_Other                            uint8
## Race_White                            uint8
## Diabetic_No, borderline diabetes      uint8
## Diabetic_Yes                          uint8
## Diabetic_Yes (during pregnancy)       uint8
## PhysicalActivity_Yes                  uint8
## GenHealth_Fair                        uint8
## GenHealth_Good                        uint8
## GenHealth_Poor                        uint8
## GenHealth_Very good                   uint8
## Asthma_Yes                            uint8
## KidneyDisease_Yes                     uint8
## SkinCancer_Yes                        uint8
## dtype: object

4.5 Datos de entrenamiento y validación

Datos de entrenamiento al 80% de los datos y 20% los datos de validación. Semilla 1271

X_entrena, X_valida, Y_entrena, Y_valida = train_test_split(datos_dummis.drop(columns = "HeartDisease01"), datos_dummis['HeartDisease01'],train_size = 0.80,  random_state = 1271)

4.5.1 Datos de entrenamiento

Se crea un conjunto de datos de validación con 255836 registros y 37 variables.

X_entrena

##           BMI  PhysicalHealth  ...  KidneyDisease_Yes  SkinCancer_Yes
## 169453  23.17             0.0  ...                  0               0
## 61968   21.48             0.0  ...                  0               1
## 105776  28.13             0.0  ...                  0               0
## 269329  23.05             5.0  ...                  1               1
## 250006  27.32             0.0  ...                  0               0
## ...       ...             ...  ...                ...             ...
## 92964   30.81             0.0  ...                  0               0
## 195308  27.34             0.0  ...                  0               0
## 142254  28.34             0.0  ...                  0               0
## 167411  32.89             0.0  ...                  0               0
## 145179  20.08             0.0  ...                  0               0
## 
## [255836 rows x 37 columns]

4.5.2 Datos de validación

Se crea un conjunto de datos de validación con 63959 registros y 37 variables.

X_valida

##           BMI  PhysicalHealth  ...  KidneyDisease_Yes  SkinCancer_Yes
## 186331  24.69             0.0  ...                  0               0
## 101599  27.46            14.0  ...                  0               0
## 142527  34.93             0.0  ...                  0               0
## 36510   24.33             0.0  ...                  0               0
## 189876  23.75             0.0  ...                  0               0
## ...       ...             ...  ...                ...             ...
## 205448  31.19             0.0  ...                  0               0
## 158205  26.95             0.0  ...                  0               0
## 221625  34.87             3.0  ...                  0               0
## 81406   30.34             0.0  ...                  0               0
## 254640  39.33             0.0  ...                  0               0
## 
## [63959 rows x 37 columns]

4.6 Modelos Supervisados de Arbol de Clasificación

4.6.1 Creación del modelo

Se crea el modelo de árbol de clasificación con datos de entrenamiento

modelo_ac = DecisionTreeClassifier(
            max_depth         = 5,
            criterion         = 'gini',
            random_state      = 1271
          )

modelo_ac.fit(X_entrena, Y_entrena)

DecisionTreeClassifier(max_depth=5, random_state=1271)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

4.6.2 Visualización del árbol

fig, ax = plt.subplots(figsize=(13, 6))
print(f"Profundidad del árbol: {modelo_ac.get_depth()}")

## Profundidad del árbol: 5

print(f"Número de nodos terminales: {modelo_ac.get_n_leaves()}")

## Número de nodos terminales: 32

plot = plot_tree(
            decision_tree = modelo_ac,
            #feature_names = modelo_ac.tolist(),
            class_names   = 'Daño al corazón',
            filled        = True,
            impurity      = False,
            fontsize      = 7,
            ax            = ax
       )

4.6.3 Reglas de asociación para la construcción del árbol

texto_modelo = export_text(
                    decision_tree = modelo_ac,
                    feature_names = list(datos_dummis.drop(columns = "HeartDisease01").columns)
               )
print(texto_modelo)

## |--- DiffWalking_Yes <= 0.50
## |   |--- Stroke_Yes <= 0.50
## |   |   |--- Diabetic_Yes <= 0.50
## |   |   |   |--- AgeCategory_80 or older <= 0.50
## |   |   |   |   |--- AgeCategory_75-79 <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- AgeCategory_75-79 >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- AgeCategory_80 or older >  0.50
## |   |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |--- Diabetic_Yes >  0.50
## |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |--- KidneyDisease_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- KidneyDisease_Yes >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |--- Smoking_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- Smoking_Yes >  0.50
## |   |   |   |   |   |--- class: 0
## |   |--- Stroke_Yes >  0.50
## |   |   |--- Diabetic_Yes <= 0.50
## |   |   |   |--- GenHealth_Fair <= 0.50
## |   |   |   |   |--- GenHealth_Poor <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- GenHealth_Poor >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- GenHealth_Fair >  0.50
## |   |   |   |   |--- MentalHealth <= 1.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- MentalHealth >  1.50
## |   |   |   |   |   |--- class: 0
## |   |   |--- Diabetic_Yes >  0.50
## |   |   |   |--- PhysicalHealth <= 9.00
## |   |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- PhysicalHealth >  9.00
## |   |   |   |   |--- BMI <= 33.96
## |   |   |   |   |   |--- class: 1
## |   |   |   |   |--- BMI >  33.96
## |   |   |   |   |   |--- class: 0
## |--- DiffWalking_Yes >  0.50
## |   |--- Stroke_Yes <= 0.50
## |   |   |--- GenHealth_Poor <= 0.50
## |   |   |   |--- Diabetic_Yes <= 0.50
## |   |   |   |   |--- AgeCategory_80 or older <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- AgeCategory_80 or older >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- Diabetic_Yes >  0.50
## |   |   |   |   |--- KidneyDisease_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- KidneyDisease_Yes >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |--- GenHealth_Poor >  0.50
## |   |   |   |--- Diabetic_Yes <= 0.50
## |   |   |   |   |--- KidneyDisease_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- KidneyDisease_Yes >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- Diabetic_Yes >  0.50
## |   |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |   |--- class: 0
## |   |--- Stroke_Yes >  0.50
## |   |   |--- GenHealth_Poor <= 0.50
## |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |--- KidneyDisease_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- KidneyDisease_Yes >  0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |--- Diabetic_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- Diabetic_Yes >  0.50
## |   |   |   |   |   |--- class: 1
## |   |   |--- GenHealth_Poor >  0.50
## |   |   |   |--- Sex_Male <= 0.50
## |   |   |   |   |--- KidneyDisease_Yes <= 0.50
## |   |   |   |   |   |--- class: 0
## |   |   |   |   |--- KidneyDisease_Yes >  0.50
## |   |   |   |   |   |--- class: 1
## |   |   |   |--- Sex_Male >  0.50
## |   |   |   |   |--- BMI <= 25.39
## |   |   |   |   |   |--- class: 1
## |   |   |   |   |--- BMI >  25.39
## |   |   |   |   |   |--- class: 1

4.7 Prediccions

Se construyen predicciones con los datos de validación.

predicciones = modelo_ac.predict(X_valida)
print(predicciones)

## [0 0 0 ... 0 0 0]

4.7.1 Tabla comparativa

comparaciones = pd.DataFrame(X_valida)
comparaciones = comparaciones.assign(HeartDisease_Real = Y_valida)
comparaciones = comparaciones.assign(HeartDisease_Pred = predicciones.flatten().tolist())
print(comparaciones)

##           BMI  PhysicalHealth  ...  HeartDisease_Real  HeartDisease_Pred
## 186331  24.69             0.0  ...                  0                  0
## 101599  27.46            14.0  ...                  1                  0
## 142527  34.93             0.0  ...                  0                  0
## 36510   24.33             0.0  ...                  0                  0
## 189876  23.75             0.0  ...                  0                  0
## ...       ...             ...  ...                ...                ...
## 205448  31.19             0.0  ...                  0                  0
## 158205  26.95             0.0  ...                  0                  0
## 221625  34.87             3.0  ...                  0                  0
## 81406   30.34             0.0  ...                  0                  0
## 254640  39.33             0.0  ...                  0                  0
## 
## [63959 rows x 39 columns]

4.7.2 Evaluación del modelo

Se evalúa el modelo con la matriz de confusión

4.7.2.1 Matriz de confusión

print(confusion_matrix(comparaciones['HeartDisease_Real'], comparaciones['HeartDisease_Pred']))

## [[58283   152]
##  [ 5305   219]]

matriz = confusion_matrix(comparaciones['HeartDisease_Real'], comparaciones['HeartDisease_Pred'])

4.7.2.2 ¿A cuantos le atina el modelo?

print(classification_report(comparaciones['HeartDisease_Real'], comparaciones['HeartDisease_Pred']))

##               precision    recall  f1-score   support
## 
##            0       0.92      1.00      0.96     58435
##            1       0.59      0.04      0.07      5524
## 
##     accuracy                           0.91     63959
##    macro avg       0.75      0.52      0.51     63959
## weighted avg       0.89      0.91      0.88     63959

accuracy = accuracy_score(
    y_true = comparaciones['HeartDisease_Real'],
    y_pred = comparaciones['HeartDisease_Pred'],
    normalize = True
    )
print(f"El accuracy de test es: {100 * accuracy} %")

## El accuracy de test es: 91.46797166935067 %

4.8 Prediccions con un registro nuevo

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

# Se crea un diccionario
registro = {'BMI': 38, 'PhysicalHealth': 2, 'MentalHealth': 5, 'SleepTime' : 12, 'Smoking_Yes' : 1, 'AlcoholDrinking_Yes' : 1, 'Stroke_Yes' : 1, 'DiffWalking_Yes': 1, 'Sex_Male': 1, 
'AgeCategory_25-29' : 0, 'AgeCategory_30-34' : 0, 
'AgeCategory_35-39' : 0, 'AgeCategory_40-44' : 0, 
'AgeCategory_45-49' : 0, 'AgeCategory_50-54' : 0,
'AgeCategory_55-59' : 0, 'AgeCategory_60-64' : 0,
'AgeCategory_65-69' : 0, 'AgeCategory_70-74': 1, 
'AgeCategory_75-79' : 0, 'AgeCategory_80 or older' : 0,         'Race_Asian' : 0, 'Race_Black' : 1, 'Race_Hispanic' : 0,
'Race_Other' : 0, 'Race_White' : 0,
'Diabetic_No, borderline diabetes' : 0, 'Diabetic_Yes' : 1,
'Diabetic_Yes (during pregnancy)' : 0, 
'PhysicalActivity_Yes' : 0, 'GenHealth_Fair' : 1, 
'GenHealth_Good' : 0, 'GenHealth_Poor' : 0, 
'GenHealth_Very good' : 0, 'Asthma_Yes' : 1, 'KidneyDisease_Yes':1, 'SkinCancer_Yes': 0}
persona = pd.DataFrame()
persona = persona.append(registro, ignore_index=True)

## <string>:1: FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.

persona

##    BMI  PhysicalHealth  ...  KidneyDisease_Yes  SkinCancer_Yes
## 0   38               2  ...                  1               0
## 
## [1 rows x 37 columns]

Se hace la predicción en términos de clasificación de la persona con estos valores para saber si tiene o no daño en el corazón:

prediccion = modelo_ac.predict(persona)
print(prediccion)

## [1]

La predicción en términos de clasificación de la persona con las características proporcionadas es que está enfermo o tiene daño del corazón.

5 Interpretación

Obtuvimos una acccuracy de 91.46% por lo que podemos aprobar este modelo, y al podemor compararlo con el mismo modelo realiazado en R tomando como semilla 1271 en ambos casos, obtuvimos: 91.02%, con lo que podemos ver que ambos se encuentran sumamente cercanos, pero en esta ocasión es mas eficiente usar R, 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.

Bibliografía

Amat Rodrigo, Joaquín. 2017. “Árboles de Decisión, Random Forest, Gradient Boosting y C5.0.” https://rpubs.com/Joaquin_AR/255596.

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

Luis Alberto Jiménez Soto

2022-11-29