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 o por link.

#datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/heart_2020_cleaned.csv")
datos <- read.csv("heart_2020_cleaned.csv", encoding = "UTF-8", stringsAsFactors = TRUE)

Explorar datos

str(datos)
## 'data.frame':    319795 obs. of  18 variables:
##  $ HeartDisease    : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 2 1 1 1 1 ...
##  $ BMI             : num  16.6 20.3 26.6 24.2 23.7 ...
##  $ Smoking         : Factor w/ 2 levels "No","Yes": 2 1 2 1 1 2 1 2 1 1 ...
##  $ AlcoholDrinking : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ Stroke          : Factor w/ 2 levels "No","Yes": 1 2 1 1 1 1 1 1 1 1 ...
##  $ PhysicalHealth  : num  3 0 20 0 28 6 15 5 0 0 ...
##  $ MentalHealth    : num  30 0 30 0 0 0 0 0 0 0 ...
##  $ DiffWalking     : Factor w/ 2 levels "No","Yes": 1 1 1 1 2 2 1 2 1 2 ...
##  $ Sex             : Factor w/ 2 levels "Female","Male": 1 1 2 1 1 1 1 1 1 2 ...
##  $ AgeCategory     : Factor w/ 13 levels "18-24","25-29",..: 8 13 10 12 5 12 11 13 13 10 ...
##  $ Race            : Factor w/ 6 levels "American Indian/Alaskan Native",..: 6 6 6 6 6 3 6 6 6 6 ...
##  $ Diabetic        : Factor w/ 4 levels "No","No, borderline diabetes",..: 3 1 3 1 1 1 1 3 2 1 ...
##  $ PhysicalActivity: Factor w/ 2 levels "No","Yes": 2 2 2 1 2 1 2 1 1 2 ...
##  $ GenHealth       : Factor w/ 5 levels "Excellent","Fair",..: 5 5 2 3 5 2 2 3 2 3 ...
##  $ SleepTime       : num  5 7 8 6 8 12 4 9 5 10 ...
##  $ Asthma          : Factor w/ 2 levels "No","Yes": 2 1 2 1 1 1 2 2 1 1 ...
##  $ KidneyDisease   : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 2 1 ...
##  $ SkinCancer      : Factor w/ 2 levels "No","Yes": 2 1 1 2 1 1 2 1 1 1 ...
summary(datos)
##  HeartDisease      BMI        Smoking      AlcoholDrinking Stroke      
##  No :292422   Min.   :12.02   No :187887   No :298018      No :307726  
##  Yes: 27373   1st Qu.:24.03   Yes:131908   Yes: 21777      Yes: 12069  
##               Median :27.34                                            
##               Mean   :28.33                                            
##               3rd Qu.:31.42                                            
##               Max.   :94.85                                            
##                                                                        
##  PhysicalHealth    MentalHealth    DiffWalking      Sex        
##  Min.   : 0.000   Min.   : 0.000   No :275385   Female:167805  
##  1st Qu.: 0.000   1st Qu.: 0.000   Yes: 44410   Male  :151990  
##  Median : 0.000   Median : 0.000                               
##  Mean   : 3.372   Mean   : 3.898                               
##  3rd Qu.: 2.000   3rd Qu.: 3.000                               
##  Max.   :30.000   Max.   :30.000                               
##                                                                
##       AgeCategory                                 Race       
##  65-69      : 34151   American Indian/Alaskan Native:  5202  
##  60-64      : 33686   Asian                         :  8068  
##  70-74      : 31065   Black                         : 22939  
##  55-59      : 29757   Hispanic                      : 27446  
##  50-54      : 25382   Other                         : 10928  
##  80 or older: 24153   White                         :245212  
##  (Other)    :141601                                          
##                     Diabetic      PhysicalActivity     GenHealth     
##  No                     :269653   No : 71838       Excellent: 66842  
##  No, borderline diabetes:  6781   Yes:247957       Fair     : 34677  
##  Yes                    : 40802                    Good     : 93129  
##  Yes (during pregnancy) :  2559                    Poor     : 11289  
##                                                    Very good:113858  
##                                                                      
##                                                                      
##    SleepTime      Asthma       KidneyDisease SkinCancer  
##  Min.   : 1.000   No :276923   No :308016    No :289976  
##  1st Qu.: 6.000   Yes: 42872   Yes: 11779    Yes: 29819  
##  Median : 7.000                                          
##  Mean   : 7.097                                          
##  3rd Qu.: 8.000                                          
##  Max.   :24.000                                          
##

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(1747)
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
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
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
17 No 26.26 No No No 5 2 No Female 70-74 White No No Very good 10 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
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
24 No 25.82 Yes No No 0 30 No Male 80 or older White Yes Yes Fair 8 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
1 No 16.60 Yes No No 3 30 No Female 55-59 White Yes Yes Very good 5 Yes No Yes
11 Yes 34.30 Yes No No 30 0 Yes Male 60-64 White Yes No Poor 15 Yes No No
13 No 28.37 Yes No No 0 0 Yes Male 75-79 White Yes Yes Very good 8 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
25 No 25.75 No No No 0 0 No Female 80 or older White No Yes Very good 6 No No Yes
30 No 36.58 No No No 0 0 No Female 60-64 White Yes No Good 5 No No Yes
35 No 38.97 No No No 0 0 Yes Female 70-74 Black No No Good 6 No No No
44 Yes 30.23 Yes No No 6 2 Yes Female 75-79 White Yes Yes Fair 8 No Yes No
47 No 33.23 No No No 0 0 No Male 65-69 White Yes Yes Very good 8 No No No
54 No 32.61 Yes No No 0 0 No Female 65-69 White No Yes Very good 7 No No No
55 No 32.10 No No No 14 0 No Male 65-69 White Yes Yes Very good 9 No No No
74 No 30.23 No No No 0 5 No Female 65-69 White No Yes Good 6 No No No
75 No 34.30 Yes No No 3 3 No Male 60-64 White No Yes Good 7 No No No
79 Yes 28.29 Yes No No 30 30 No Female 70-74 White Yes Yes Poor 9 No Yes No
80 No 30.56 Yes No No 0 0 No Female 60-64 Black No Yes Excellent 6 No No No
91 No 44.29 No No No 30 10 Yes Female 70-74 White No No Fair 7 No No Yes
93 No 21.80 Yes No No 0 0 No Female 75-79 White No Yes Very good 8 No No Yes
98 No 28.35 Yes No No 20 0 No Female 65-69 White No No Very good 8 No No No
99 No 24.37 No No No 0 0 No Female 55-59 White No Yes Very good 7 Yes No No
100 No 19.47 Yes No No 0 10 No Female 65-69 White No Yes Very good 8 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 0.02515723      0 1.0000000 1.000000 0.07608750
## 2 0.02201258      2 0.9496855 1.025157 0.07695490
## 3 0.01000000      4 0.9056604 1.012579 0.07652295
## 
## Variable importance
##           Stroke      AgeCategory PhysicalActivity             Race 
##               51               25                9                3 
##              BMI        GenHealth          Smoking         Diabetic 
##                3                3                2                2 
##        SleepTime 
##                1 
## 
## Node number 1: 2000 observations,    complexity param=0.02515723
##   predicted class=No   expected loss=0.0795  P(node) =1
##     class counts:  1841   159
##    probabilities: 0.920 0.080 
##   left son=2 (1935 obs) right son=3 (65 obs)
##   Primary splits:
##       Stroke         splits as  LR, improve=16.57954, (0 missing)
##       DiffWalking    splits as  LR, improve=15.21113, (0 missing)
##       AgeCategory    splits as  LLLLLLLLLLRRR, improve=13.99394, (0 missing)
##       GenHealth      splits as  LRLRL, improve=13.78528, (0 missing)
##       PhysicalHealth < 14.5   to the left,  improve=11.10376, (0 missing)
## 
## Node number 2: 1935 observations
##   predicted class=No   expected loss=0.06770026  P(node) =0.9675
##     class counts:  1804   131
##    probabilities: 0.932 0.068 
## 
## Node number 3: 65 observations,    complexity param=0.02515723
##   predicted class=No   expected loss=0.4307692  P(node) =0.0325
##     class counts:    37    28
##    probabilities: 0.569 0.431 
##   left son=6 (51 obs) right son=7 (14 obs)
##   Primary splits:
##       AgeCategory   splits as  R-R-LRLLLLLRL, improve=4.495971, (0 missing)
##       Sex           splits as  LR, improve=3.931952, (0 missing)
##       KidneyDisease splits as  LR, improve=3.600607, (0 missing)
##       Race          splits as  --LRRL, improve=2.852293, (0 missing)
##       MentalHealth  < 17.5   to the left,  improve=2.328102, (0 missing)
## 
## Node number 6: 51 observations,    complexity param=0.02201258
##   predicted class=No   expected loss=0.3333333  P(node) =0.0255
##     class counts:    34    17
##    probabilities: 0.667 0.333 
##   left son=12 (31 obs) right son=13 (20 obs)
##   Primary splits:
##       PhysicalActivity splits as  RL,         improve=3.089247, (0 missing)
##       BMI              < 23.62  to the left,  improve=2.647362, (0 missing)
##       Sex              splits as  LR,         improve=2.590476, (0 missing)
##       SleepTime        < 4.5    to the right, improve=2.428571, (0 missing)
##       GenHealth        splits as  LLLRL,      improve=2.354978, (0 missing)
##   Surrogate splits:
##       SleepTime < 4.5    to the right, agree=0.667, adj=0.15, (0 split)
##       Race      splits as  --LRLL,     agree=0.647, adj=0.10, (0 split)
##       Diabetic  splits as  L-RL,       agree=0.647, adj=0.10, (0 split)
##       BMI       < 23.62  to the left,  agree=0.627, adj=0.05, (0 split)
##       GenHealth splits as  LRLLL,      agree=0.627, adj=0.05, (0 split)
## 
## Node number 7: 14 observations
##   predicted class=Yes  expected loss=0.2142857  P(node) =0.007
##     class counts:     3    11
##    probabilities: 0.214 0.786 
## 
## Node number 12: 31 observations
##   predicted class=No   expected loss=0.1935484  P(node) =0.0155
##     class counts:    25     6
##    probabilities: 0.806 0.194 
## 
## Node number 13: 20 observations,    complexity param=0.02201258
##   predicted class=Yes  expected loss=0.45  P(node) =0.01
##     class counts:     9    11
##    probabilities: 0.450 0.550 
##   left son=26 (9 obs) right son=27 (11 obs)
##   Primary splits:
##       AgeCategory    splits as  ----R-RLRLL-R, improve=3.5161620, (0 missing)
##       Diabetic       splits as  L-R-, improve=2.0318680, (0 missing)
##       GenHealth      splits as  LRLRR, improve=0.9000000, (0 missing)
##       Smoking        splits as  LR, improve=0.8166667, (0 missing)
##       PhysicalHealth < 6      to the left,  improve=0.5813187, (0 missing)
##   Surrogate splits:
##       BMI       < 26.075 to the right, agree=0.65, adj=0.222, (0 split)
##       Smoking   splits as  LR,         agree=0.65, adj=0.222, (0 split)
##       Race      splits as  --LRLR,     agree=0.65, adj=0.222, (0 split)
##       GenHealth splits as  LLRRR,      agree=0.65, adj=0.222, (0 split)
##       Diabetic  splits as  L-R-,       agree=0.60, adj=0.111, (0 split)
## 
## Node number 26: 9 observations
##   predicted class=No   expected loss=0.2222222  P(node) =0.0045
##     class counts:     7     2
##    probabilities: 0.778 0.222 
## 
## Node number 27: 11 observations
##   predicted class=Yes  expected loss=0.1818182  P(node) =0.0055
##     class counts:     2     9
##    probabilities: 0.182 0.818

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)
##   1  11  13  18  25  30  35  44  47  54  55  74  75  79  80  91  93  98  99 100 
##  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
1 No No
11 Yes No
13 No No
18 No No
25 No No
30 No No
35 No No
44 Yes No
47 No No
54 No No
55 No No
74 No No
75 No No
79 Yes No
80 No No
91 No No
93 No No
98 No No
99 No No
100 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
1 No No
11 Yes No
13 No No
18 No No
25 No No
30 No No
35 No No
44 Yes No
47 No No
54 No No
55 No No
74 No No
75 No No
79 Yes No
80 No No
91 No No
93 No No
98 No No
99 No No
100 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  58005   479
##        Yes  5118   356
##                                           
##                Accuracy : 0.9125          
##                  95% CI : (0.9103, 0.9147)
##     No Information Rate : 0.9869          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.0923          
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.91892         
##             Specificity : 0.42635         
##          Pos Pred Value : 0.99181         
##          Neg Pred Value : 0.06503         
##              Prevalence : 0.98694         
##          Detection Rate : 0.90692         
##    Detection Prevalence : 0.91441         
##       Balanced Accuracy : 0.67263         
##                                           
##        '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 
## No 
## 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

Dano la semilla que ingresamos para la particion de datos con los datos obtenidos de la predicción podemos concluir que no tiene afeccion al corazón

Bibliografía