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/Machine-Learning-con-R/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(1349)
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
7	No	21.63	No	No	No	15	0	No	Female	70-74	White	No	Yes	Fair	4	Yes	No	Yes
9	No	26.45	No	No	No	0	0	No	Female	80 or older	White	No, borderline diabetes	No	Fair	5	No	Yes	No
10	No	40.69	No	No	No	0	0	Yes	Male	65-69	White	No	Yes	Good	10	No	No	No
11	Yes	34.30	Yes	No	No	30	0	Yes	Male	60-64	White	Yes	No	Poor	15	Yes	No	No
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
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
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
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

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
6	Yes	28.87	Yes	No	No	6	0	Yes	Female	75-79	Black	No	No	Fair	12	No	No	No
8	No	31.64	Yes	No	No	5	0	Yes	Female	80 or older	White	Yes	No	Good	9	Yes	No	No
12	No	28.71	Yes	No	No	0	0	No	Female	55-59	White	No	Yes	Very good	5	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
20	No	18.13	No	No	No	0	0	No	Male	80 or older	White	No	Yes	Excellent	8	No	No	Yes
24	No	25.82	Yes	No	No	0	30	No	Male	80 or older	White	Yes	Yes	Fair	8	No	No	No
29	No	24.89	No	No	No	1	0	No	Female	55-59	White	No	Yes	Very good	7	No	No	No
35	No	38.97	No	No	No	0	0	Yes	Female	70-74	Black	No	No	Good	6	No	No	No
36	Yes	32.98	Yes	No	Yes	10	0	Yes	Male	75-79	White	Yes	Yes	Poor	4	No	No	Yes
37	No	24.62	No	No	No	5	0	No	Female	80 or older	White	No	Yes	Good	6	No	No	No
39	No	27.37	Yes	No	No	0	0	No	Female	80 or older	White	No	No	Very good	8	No	No	No
45	No	30.34	Yes	No	No	30	10	Yes	Male	55-59	White	No, borderline diabetes	No	Fair	6	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
56	No	24.02	No	Yes	No	7	0	No	Female	60-64	White	No	Yes	Excellent	6	No	No	No
58	No	46.52	Yes	No	No	30	0	No	Male	65-69	White	Yes	No	Poor	8	Yes	No	No
69	No	23.87	No	No	No	0	0	No	Male	80 or older	White	No	Yes	Very good	7	No	No	No
72	No	27.76	Yes	No	No	15	0	Yes	Female	80 or older	White	No	No	Good	8	Yes	No	No
74	No	30.23	No	No	No	0	5	No	Female	65-69	White	No	Yes	Good	6	No	No	No
83	No	24.37	Yes	No	No	0	0	No	Female	55-59	White	No	Yes	Excellent	6	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 0.01282051      0 1.0000000 1.000000 0.07067182
## 2 0.01000000      6 0.9230769 1.071429 0.07289026
## 
## Variable importance
##    AgeCategory      GenHealth PhysicalHealth       Diabetic         Stroke 
##             30             21             14             12              7 
##            Sex     SkinCancer            BMI    DiffWalking         Asthma 
##              4              3              2              2              2 
##      SleepTime 
##              1 
## 
## Node number 1: 2000 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.091  P(node) =1
##     class counts:  1818   182
##    probabilities: 0.909 0.091 
##   left son=2 (1329 obs) right son=3 (671 obs)
##   Primary splits:
##       AgeCategory    splits as  LLLLLLLLLRRRR, improve=19.502810, (0 missing)
##       GenHealth      splits as  LRLRL, improve=15.459810, (0 missing)
##       DiffWalking    splits as  LR, improve=13.109390, (0 missing)
##       PhysicalHealth < 9.5    to the left,  improve=10.725140, (0 missing)
##       Diabetic       splits as  LRRL, improve= 9.932031, (0 missing)
##   Surrogate splits:
##       SkinCancer  splits as  LR,    agree=0.703, adj=0.115, (0 split)
##       DiffWalking splits as  LR,    agree=0.686, adj=0.066, (0 split)
##       Diabetic    splits as  LLRL,  agree=0.674, adj=0.028, (0 split)
##       GenHealth   splits as  LLLRL, agree=0.671, adj=0.021, (0 split)
##       Stroke      splits as  LR,    agree=0.670, adj=0.016, (0 split)
## 
## Node number 2: 1329 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.0413845  P(node) =0.6645
##     class counts:  1274    55
##    probabilities: 0.959 0.041 
##   left son=4 (1300 obs) right son=5 (29 obs)
##   Primary splits:
##       Stroke      splits as  LR,         improve=4.289297, (0 missing)
##       SleepTime   < 5.5    to the right, improve=3.933999, (0 missing)
##       Diabetic    splits as  LRRL,       improve=3.748367, (0 missing)
##       DiffWalking splits as  LR,         improve=3.385414, (0 missing)
##       GenHealth   splits as  LRLRL,      improve=3.288689, (0 missing)
## 
## Node number 3: 671 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.1892697  P(node) =0.3355
##     class counts:   544   127
##    probabilities: 0.811 0.189 
##   left son=6 (545 obs) right son=7 (126 obs)
##   Primary splits:
##       GenHealth      splits as  LRLRL,      improve=10.475210, (0 missing)
##       PhysicalHealth < 9      to the left,  improve= 6.823836, (0 missing)
##       Sex            splits as  LR,         improve= 5.440238, (0 missing)
##       Smoking        splits as  LR,         improve= 4.660628, (0 missing)
##       DiffWalking    splits as  LR,         improve= 4.289242, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 14.5   to the left,  agree=0.873, adj=0.325, (0 split)
##       BMI            < 47.875 to the left,  agree=0.817, adj=0.024, (0 split)
##       SleepTime      < 12.5   to the left,  agree=0.815, adj=0.016, (0 split)
##       MentalHealth   < 29     to the left,  agree=0.814, adj=0.008, (0 split)
## 
## Node number 4: 1300 observations
##   predicted class=No   expected loss=0.03538462  P(node) =0.65
##     class counts:  1254    46
##    probabilities: 0.965 0.035 
## 
## Node number 5: 29 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.3103448  P(node) =0.0145
##     class counts:    20     9
##    probabilities: 0.690 0.310 
##   left son=10 (21 obs) right son=11 (8 obs)
##   Primary splits:
##       Diabetic       splits as  LRR-, improve=7.044745, (0 missing)
##       PhysicalHealth < 3.5    to the left,  improve=3.767328, (0 missing)
##       AgeCategory    splits as  LLLL-LLLR----, improve=2.452255, (0 missing)
##       MentalHealth   < 22.5   to the right, improve=2.128079, (0 missing)
##       Asthma         splits as  LR, improve=1.257949, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 3.5    to the left,  agree=0.897, adj=0.625, (0 split)
##       BMI            < 41.09  to the left,  agree=0.759, adj=0.125, (0 split)
##       Asthma         splits as  LR,         agree=0.759, adj=0.125, (0 split)
## 
## Node number 6: 545 observations
##   predicted class=No   expected loss=0.146789  P(node) =0.2725
##     class counts:   465    80
##    probabilities: 0.853 0.147 
## 
## Node number 7: 126 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.3730159  P(node) =0.063
##     class counts:    79    47
##    probabilities: 0.627 0.373 
##   left son=14 (66 obs) right son=15 (60 obs)
##   Primary splits:
##       Sex       splits as  LR,         improve=2.788023, (0 missing)
##       BMI       < 21.14  to the left,  improve=2.377186, (0 missing)
##       Diabetic  splits as  LLR-,       improve=1.897561, (0 missing)
##       GenHealth splits as  -L-R-,      improve=1.889996, (0 missing)
##       SleepTime < 6.5    to the right, improve=1.348898, (0 missing)
##   Surrogate splits:
##       Diabetic       splits as  LLR-, agree=0.603, adj=0.167, (0 split)
##       PhysicalHealth < 1.5    to the right, agree=0.579, adj=0.117, (0 split)
##       AgeCategory    splits as  ---------RLRL, agree=0.571, adj=0.100, (0 split)
##       DiffWalking    splits as  RL, agree=0.563, adj=0.083, (0 split)
##       BMI            < 22.99  to the right, agree=0.556, adj=0.067, (0 split)
## 
## Node number 10: 21 observations
##   predicted class=No   expected loss=0.0952381  P(node) =0.0105
##     class counts:    19     2
##    probabilities: 0.905 0.095 
## 
## Node number 11: 8 observations
##   predicted class=Yes  expected loss=0.125  P(node) =0.004
##     class counts:     1     7
##    probabilities: 0.125 0.875 
## 
## Node number 14: 66 observations
##   predicted class=No   expected loss=0.2727273  P(node) =0.033
##     class counts:    48    18
##    probabilities: 0.727 0.273 
## 
## Node number 15: 60 observations,    complexity param=0.01282051
##   predicted class=No   expected loss=0.4833333  P(node) =0.03
##     class counts:    31    29
##    probabilities: 0.517 0.483 
##   left son=30 (38 obs) right son=31 (22 obs)
##   Primary splits:
##       GenHealth      splits as  -L-R-,      improve=2.737002, (0 missing)
##       PhysicalHealth < 2.5    to the left,  improve=1.800000, (0 missing)
##       Diabetic       splits as  LLR-,       improve=1.633333, (0 missing)
##       SkinCancer     splits as  LR,         improve=1.312821, (0 missing)
##       BMI            < 25.06  to the left,  improve=1.273485, (0 missing)
##   Surrogate splits:
##       PhysicalHealth < 17.5   to the left,  agree=0.800, adj=0.455, (0 split)
##       SleepTime      < 6.5    to the right, agree=0.700, adj=0.182, (0 split)
##       Asthma         splits as  LR,         agree=0.700, adj=0.182, (0 split)
##       BMI            < 19.53  to the right, agree=0.667, adj=0.091, (0 split)
##       Stroke         splits as  LR,         agree=0.667, adj=0.091, (0 split)
## 
## Node number 30: 38 observations
##   predicted class=No   expected loss=0.3684211  P(node) =0.019
##     class counts:    24    14
##    probabilities: 0.632 0.368 
## 
## Node number 31: 22 observations
##   predicted class=Yes  expected loss=0.3181818  P(node) =0.011
##     class counts:     7    15
##    probabilities: 0.318 0.682

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)

##   6   8  12  18  20  24  29  35  36  37  39  45  54  55  56  58  69  72  74  83 
##  No  No  No  No  No  No  No  No Yes  No  No  No  No  No  No Yes  No  No  No  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
6	Yes	No
8	No	No
12	No	No
18	No	No
20	No	No
24	No	No
29	No	No
35	No	No
36	Yes	Yes
37	No	No
39	No	No
45	No	No
54	No	No
55	No	No
56	No	No
58	No	Yes
69	No	No
72	No	No
74	No	No
83	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
6	Yes	No
8	No	No
12	No	No
18	No	No
20	No	No
24	No	No
29	No	No
35	No	No
36	Yes	Yes
37	No	No
39	No	No
45	No	No
54	No	No
55	No	No
56	No	No
58	No	Yes
69	No	No
72	No	No
74	No	No
83	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  58077   407
##        Yes  5121   353
##                                           
##                Accuracy : 0.9136          
##                  95% CI : (0.9114, 0.9157)
##     No Information Rate : 0.9881          
##     P-Value [Acc > NIR] : 1               
##                                           
##                   Kappa : 0.0944          
##                                           
##  Mcnemar's Test P-Value : <2e-16          
##                                           
##             Sensitivity : 0.91897         
##             Specificity : 0.46447         
##          Pos Pred Value : 0.99304         
##          Neg Pred Value : 0.06449         
##              Prevalence : 0.98812         
##          Detection Rate : 0.90805         
##    Detection Prevalence : 0.91441         
##       Balanced Accuracy : 0.69172         
##                                           
##        'Positive' Class : No              
##

El valor estadístico de Accuracy = Exactitud igual a 0.9136 significa un valor aproximado del 91.36; se interpreta que de cada 100 el modelo acierta en la predicción el 91.36% 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 
## 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.

5 Interpretación

Este proyecto se utilizo la semilla 1349 y se logro desarrollar un modelo de árbol de clasificación con datos relacionados a una condición de salud de las personas para predecir anomalías de corazón. El modelo se construyó a partir de un algoritmo de árbol de clasificación y se evaluó su exactitud mediante una matriz de confusión. Además, se desarrollaron otros modelos de clasificación, como regresión logística binaria, K-means, y diferentes tipos de SVM. Se aceptaron los modelos si tenían un valor de exactitud por encima del 70%, logrando obtener como resultado final una accurancy del 0.9136 o del 91.36%.

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

Pablo Eduardo Martinez Solis

11/12/2022