Práctica acerca de árboles de

decisión con R - Clasificación

• Una introducción informal a los árboles de decisión
• Paquetes necesarios
• Importando nuestros datos
• Creando un sets de entrenamiento y prueba
• Entrenando nuestro modelo
• Evaluando nuestro modelo
• ¿Cómo elegimos un modelo?
• Sistematizando el análisis
• Para concluir

En este artículo revisaremos lo esencial para implementar árboles de decisión en R, en

particular el caso de los árboles de clasificación, usando el paquete rpart. Utilizaremos un
conjunto de datos usado frecuentemente para probar métodos de aprendizaje automático en
nuestro ejemplo y durante el proceso daremos también un vistazo a algunos problemas
comunes al procesar información en R.
Empecemos hablando de los árboles de decisión.

Una introducción informal a los árboles

de decisión
Los árboles de decisión son un método usado en distintas disciplinas como modelo de
predicción. Estos son similares a diagramas de flujo, en los que llegamos a puntos en los
que se toman decisiones de acuerdo a una regla.
En el campo del aprendizaje automático, hay distintas maneras de obtener árboles de
decisión, la que usaremos en esta ocasión es conocida como CART: Classification And
Regression Trees. Esta es una técnica de aprendizaje supervisado. Tenemos una variable
objetivo (dependiente) y nuestra meta es obtener una función que nos permita predecir, a
partir de variables predictoras (independientes), el valor de la variable objetivo para casos
desconocidos.
Como el nombre indica, CART es una técnica con la que se pueden obtener árboles de
clasificación y de regresión. Usamos clasificación cuando nuestra variable objetivo
es discreta, mientras que usamos regresión cuando es continua. Nosotros tendremos una
variable discreta, así que haremos clasificación.
La implementación particular de CART que usaremos es conocida como Recursive
Partitioning and Regression Trees o RPART. De allí el nombre del paquete que
utilizaremos en nuestro ejemplo.
De manera general, lo que hace este algoritmo es encontrar la variable independiente que
mejor separa nuestros datos en grupos, que corresponden con las categorías de la variable
objetivo. Esta mejor separación es expresada con una regla. A cada regla corresponde
un nodo.
Por ejemplo, supongamos que nuestra variable objetivo tiene dos niveles, deudor y no
deudor. Encontramos que la variable que mejor separa nuestros datos es ingreso mensual,
y la regla resultante es que ingreso mensual > X pesos. Esto quiere decir que los datos para
los que esta regla es verdadera, tienen más probabilidad de pertenecer a un grupo, que al
otro. En este ejemplo, digamos que si la regla es verdadera, un caso tiene más probabilidad
de formar parte del grupo no deudor.
Una vez hecho esto, los datos son separados (particionados) en grupos a partir de la regla
obtenida. Después, para cada uno de los grupos resultantes, se repite el mismo proceso. Se
busca la variable que mejor separa los datos en grupos, se obtiene una regla, y se separan
los datos. Hacemos esto de manera recursiva hasta que nos es imposible obtener una mejor
separación. Cuando esto ocurre, el algoritmo se detiene. Cuando un grupo no puede ser
partido mejor, se le llama nodo terminal u hoja.
Una característica muy importante en este algoritmo es que una vez que alguna variable ha
sido elegida para separar los datos, ya no es usada de nuevo en los grupos que ha creado.
Se buscan variables distintas que mejoren la separación de los datos.
Además, supongamos después de una partición que hemos creado dos grupos, A y B. Es
posible que para el grupo A, la variable que mejor separa estos datos sea diferente a la que
mejor separa los datos en el grupo B. Una vez que los grupos se han separado, al algoritmo
“no ve” lo que ocurre entre grupos, estos son independientes entre sí y las reglas que aplican
para ellos no afectan en nada a los demás.
El resultado de todo el proceso anterior es una serie de bifurcaciones que tiene la apariencia
de un árbol que va creciendo ramas, de allí el nombre del procedimiento (aunque a mí en
realidad me parece más parecido a la raíz del árbol que a las ramas).
Las principales ventajas de este método son su interpretabilidad, pues nos da un conjunto
de reglas a partir de las cuales se pueden tomar decisiones. Este es un algoritmo que no es
demandante en poder de cómputo comparado con procedimientos más sofisticados y, a
pesar de ello, que tiende a dar buenos resultados de predicción para muchos tipos de datos.
Sus principales desventajas son que este en tipo de clasificación “débil”, pues sus
resultados pueden variar mucho dependiendo de la muestra de datos usados para entrenar
un modelo. Además es fácil sobre ajustar los modelos, esto es, hacerlos excelentes para
clasificar datos que conocemos, pero deficientes para datos conocidos.
Para saber más sobre este algoritmo, en particular que quiere decir eso de mejor
separación, puedes leer el siguiente documento, que también llamar con
vignette(topic = "longintro", package = "rpart"):

• https://cran.r-project.org/web/packages/rpart/vignettes/longintro.pdf

Ahora sí, empezamos preparando nuestro entorno de trabajo.

Paquetes necesarios
Usaremos los siguientes paquetes.

• tidyverse: para llamar a la familia de paquetes tidyverse, que nos ayudaran al

procesamiento de nuestros datos.
• rpart: el paquete con la implementación de árboles de clasificación que utilizaremos.
• rpart.plot: para graficar los resultados de rpart.
• caret: un paquete con utilidades para clasificación y regresión. Lo usaremos por su
función para crear matrices de confusión

library(tidyverse)
library(rpart)
library(rpart.plot)
library(caret)

Lo que sigue es conseguir nuestros datos.

Importando nuestros datos

Descargaremos el conjunto de datos de vino, disponible en el Machine Learning
Repository.

• https://archive.ics.uci.edu/ml/datasets/Wine

Necesitamos descargar dos archivos. El primero contiene los datos que usaremos, y el
segundo contiene su descripción (metadatos), la cual nos será de gran utilidad más adelante.

# Datos
download.file("https://archive.ics.uci.edu/ml/machine-learning-databases/wine
/wine.data", "wine.data")

# Información
download.file("https://archive.ics.uci.edu/ml/machine-learning-databases/wine
/wine.names", "wine.names")

Como habrás notado, nuestros datos tienen una extensión de archivo no

convencional: .data. En R no existe una función específica para leer archivos con esta
extensión, similar a red.csv() o read.dat(), las cuales nos facilitan tarea de importar
archivos de formatos específicos. Lo mismmo pasa con el archivo con su descripción, que
tiene la extensión .name.
Necesitamos explorar estos archivos para saber cómo podemos leerlos. Para estos casos,
usamos la función readLines(), que lee archivos, línea por línea, independientemente de su
extensión o formato. con el argumento n = 10 indicamos que sólo deseamos leer las
primeras diez líneas de cada archivo.
Empezamos con los datos.

readLines("wine.data", n = 10)
## [1] "1,14.23,1.71,2.43,15.6,127,2.8,3.06,.28,2.29,5.64,1.04,3.92,1065"
## [2] "1,13.2,1.78,2.14,11.2,100,2.65,2.76,.26,1.28,4.38,1.05,3.4,1050"
## [3] "1,13.16,2.36,2.67,18.6,101,2.8,3.24,.3,2.81,5.68,1.03,3.17,1185"
## [4] "1,14.37,1.95,2.5,16.8,113,3.85,3.49,.24,2.18,7.8,.86,3.45,1480"
## [5] "1,13.24,2.59,2.87,21,118,2.8,2.69,.39,1.82,4.32,1.04,2.93,735"
## [6] "1,14.2,1.76,2.45,15.2,112,3.27,3.39,.34,1.97,6.75,1.05,2.85,1450"
## [7] "1,14.39,1.87,2.45,14.6,96,2.5,2.52,.3,1.98,5.25,1.02,3.58,1290"
## [8] "1,14.06,2.15,2.61,17.6,121,2.6,2.51,.31,1.25,5.05,1.06,3.58,1295"
## [9] "1,14.83,1.64,2.17,14,97,2.8,2.98,.29,1.98,5.2,1.08,2.85,1045"
## [10] "1,13.86,1.35,2.27,16,98,2.98,3.15,.22,1.85,7.22,1.01,3.55,1045"

El archivo de datos parece ser una tabla de datos rectangular, con columnas separadas por
comas. Entonces leer este archivo es fácil. El único inconveniente que tenemos es que nos
faltan los nombres de cada columna.
Podemos usar read_table() para leer este archivo. Esta función está diseñada para leer
tablas de datos, es decir, con estructura rectangular (renglones y columnas).
Para asegurarnos que los datos serán leídos de manera correcta, especificamos que el
separador de las columnas es una coma (sep = ",") y que no tenemos nombres de columna
en nuestro archivo (header = FALSE). Asignamos el resultado al objeto vino.

vino <- read.table("wine.data", sep = ",", header = FALSE)

Veamos los datos.

vino
## # A tibble: 178 x 14
## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12
## <int> <dbl> <dbl> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1 14.2 1.71 2.43 15.6 127 2.80 3.06 0.280 2.29 5.64 1.04
## 2 1 13.2 1.78 2.14 11.2 100 2.65 2.76 0.260 1.28 4.38 1.05
## 3 1 13.2 2.36 2.67 18.6 101 2.80 3.24 0.300 2.81 5.68 1.03
## 4 1 14.4 1.95 2.50 16.8 113 3.85 3.49 0.240 2.18 7.80 0.860
## 5 1 13.2 2.59 2.87 21.0 118 2.80 2.69 0.390 1.82 4.32 1.04
## 6 1 14.2 1.76 2.45 15.2 112 3.27 3.39 0.340 1.97 6.75 1.05
## 7 1 14.4 1.87 2.45 14.6 96 2.50 2.52 0.300 1.98 5.25 1.02
## 8 1 14.1 2.15 2.61 17.6 121 2.60 2.51 0.310 1.25 5.05 1.06
## 9 1 14.8 1.64 2.17 14.0 97 2.80 2.98 0.290 1.98 5.20 1.08
## 10 1 13.9 1.35 2.27 16.0 98 2.98 3.15 0.220 1.85 7.22 1.01
## # ... with 168 more rows, and 2 more variables: V13 <dbl>, V14 <int>

Tenemos 178 renglones y 14 columnas. Aunque aún no sabemos que contienen.

Veamos si el archivo wine.names tiene respuestas.

readLines("wine.names", n = 10)
## [1] "1. Title of Database: Wine recognition data"
## [2] "\tUpdated Sept 21, 1998 by C.Blake : Added attribute information"
## [3] ""
## [4] "2. Sources:"
## [5] " (a) Forina, M. et al, PARVUS - An Extendible Package for Data"
## [6] " Exploration, Classification and Correlation. Institute of Pha
rmaceutical"
## [7] " and Food Analysis and Technologies, Via Brigata Salerno, "
## [8] " 16147 Genoa, Italy."
## [9] ""
## [10] " (b) Stefan Aeberhard, email: stefan@coral.cs.jcu.edu.au"

Parece ser un archivo de texto común y corriente, pero con una extensión inusual. Podemos
crear una copia de este archivo con la extensión a .txt con file.copy() para leerlo
fácilmente en bloc de notas o cualquier aplicación similar. Después,
usamos file.show() para darle una lectura.

file.copy(from = "wine.names", to = "wine_names.txt")

file.show("wine_names.txt")

A partir de lo que este documento explica, descubrimos que nuestros datos corresponden a
trece características químicas de tres tipos de vinos. Esto quiere decir que una de las
columnas de nuestros datos indica el tipo de vino y las otras trece son sus características.
Aunque es probable que la primera columna de nuestros datos sea la variable con el tipo de
vino, usamos summary() para asegurarnos

summary(vino)
## V1 V2 V3 V4
## Min. :1.000 Min. :11.03 Min. :0.740 Min. :1.360
## 1st Qu.:1.000 1st Qu.:12.36 1st Qu.:1.603 1st Qu.:2.210
## Median :2.000 Median :13.05 Median :1.865 Median :2.360
## Mean :1.938 Mean :13.00 Mean :2.336 Mean :2.367
## 3rd Qu.:3.000 3rd Qu.:13.68 3rd Qu.:3.083 3rd Qu.:2.558
## Max. :3.000 Max. :14.83 Max. :5.800 Max. :3.230
## V5 V6 V7 V8
## Min. :10.60 Min. : 70.00 Min. :0.980 Min. :0.340
## 1st Qu.:17.20 1st Qu.: 88.00 1st Qu.:1.742 1st Qu.:1.205
## Median :19.50 Median : 98.00 Median :2.355 Median :2.135
## Mean :19.49 Mean : 99.74 Mean :2.295 Mean :2.029
## 3rd Qu.:21.50 3rd Qu.:107.00 3rd Qu.:2.800 3rd Qu.:2.875
## Max. :30.00 Max. :162.00 Max. :3.880 Max. :5.080
## V9 V10 V11 V12
## Min. :0.1300 Min. :0.410 Min. : 1.280 Min. :0.4800
## 1st Qu.:0.2700 1st Qu.:1.250 1st Qu.: 3.220 1st Qu.:0.7825
## Median :0.3400 Median :1.555 Median : 4.690 Median :0.9650
## Mean :0.3619 Mean :1.591 Mean : 5.058 Mean :0.9574
## 3rd Qu.:0.4375 3rd Qu.:1.950 3rd Qu.: 6.200 3rd Qu.:1.1200
## Max. :0.6600 Max. :3.580 Max. :13.000 Max. :1.7100
## V13 V14
## Min. :1.270 Min. : 278.0
## 1st Qu.:1.938 1st Qu.: 500.5
## Median :2.780 Median : 673.5
## Mean :2.612 Mean : 746.9
## 3rd Qu.:3.170 3rd Qu.: 985.0
## Max. :4.000 Max. :1680.0

Como la V1 es la única con un valor mínimo de 1 y máximo de 3, es seguro que corresponde

al tipo de vino, así que podemos renombrarla para facilitar el análisis.
El resto de nombres de columna los podemos obtener del archivo con la información de los
datos, haciendo algo de manipulación con expresiones regulares (regex), a través de gsub().

nombres <-
readLines("wine_names.txt")[58:70] %>%
gsub("[[:cntrl:]].*\\)", "", .) %>%
trimws() %>%
tolower() %>%
gsub(" |/", "_", .) %>%
# Agregamos el nombre "tipo", para nuestra primera columna con los tipos de
vino
c("tipo", .)

Ahora podemos cambiar los nombres de nuestros datos.

names(vino) <- nombres

Por último, cambiamos el tipo de dato de la columna tipo a factor usando la

función mutate_at() de dplyr, para poder hacer clasificaciones. De otro modo, como esta
columna tiene valores numéricos, podemos tener conflictos más adelante.

vino <- vino %>%

mutate_at("tipo", factor)

Ahora sí, empecemos a crear árboles de clasificación.

Creando un sets de entrenamiento y

prueba
Necesitamos un set de entrenamiento para generar un modelo predictivo, y un set de prueba,
para comprobar la eficacia de este modelo para hacer predicciones correctas.
Usamos la función sample_frac() de dplyr para obtener un subconjunto de nuestros datos,
que consiste en 70% del total de ellos. Usamos también set.seed() para que este ejemplo
sea reproducible.

set.seed(1649)
vino_entrenamiento <- sample_frac(vino, .7)

Con setdiff() de dplyr, obtenemos el subconjunto de datos complementario al de

entrenamiento para nuestro set de prueba, esto es, el 30% restante.
vino_prueba <- setdiff(vino, vino_entrenamiento)

Entrenando nuestro modelo

Usamos la función rpart de rpart para entrenar nuestro modelo. Esta función nos pide una
formula para especificar la variable objetivo de la clasificación. La formula que usaremos
es tipo ~ ., la cual expresa que intentaremos clasificar tipo usando a todas las demás
variables como predictoras.
En este primer intento no ajustaremos ningún otro parámetro.

arbol_1 <- rpart(formula = tipo ~ ., data = vino_entrenamiento)

Es hora de ver cómo nos ha ido con nuestro modelo

Evaluando nuestro modelo

Del entrenamiento de nuestro modelo obtenemos el siguiente resultado.

arbol_1
## n= 125
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 125 78 1 (0.37600000 0.36000000 0.26400000)
## 2) proline>=755 49 4 1 (0.91836735 0.04081633 0.04081633) *
## 3) proline< 755 76 33 2 (0.02631579 0.56578947 0.40789474)
## 6) color_intensity< 4.02 38 0 2 (0.00000000 1.00000000 0.00000000) *
## 7) color_intensity>=4.02 38 7 3 (0.05263158 0.13157895 0.81578947)
## 14) flavanoids>=1.385 8 3 2 (0.25000000 0.62500000 0.12500000) *
## 15) flavanoids< 1.385 30 0 3 (0.00000000 0.00000000 1.00000000) *

Lo anterior muestra el esquema de nuestro árbol de clasificación. Cada inciso nos indica un
nodo y la regla de clasificación que le corresponde. Siguiendo estos nodos, podemos llegar
a las hojas del árbol, que corresponde a la clasificación de nuestros datos.
Todo lo anterior resulta mucho más claro si lo visualizamos, así que creamos una gráfica
usando nuestro modelo con la función rpart.plot() de rpart.plot.
rpart.plot(arbol_1)

En estos gráficos, cada uno de los rectángulos representa un nodo de nuestro árbol, con su
regla de clasificación.
Cada nodo está coloreado de acuerdo a la categoría mayoritaria entre los datos que agrupa.
Esta es la categoría que ha predicho el modelo para ese grupo.
Dentro del rectángulo de cada nodo se nos muestra qué proporción de casos pertenecen a
cada categoría y la proporción del total de datos que han sido agrupados allí. Por ejemplo,
el rectángulo en el extremo inferior izquierdo de la gráfica tiene 94% de casos en el tipo 1, y
4% en los tipos 2 y 3, que representan 39% de todos los datos.
Estas proporciones nos dan una idea de la precisión de nuestro modelo al hacer
predicciones. De este modo, las reglas que conducen al rectángulo que acabamos de
mencionar nos dan un 92% de clasificaciones correctas. En contraste, el tercer rectángulo,
de izquierda a derecha, de color gris, tuvo sólo 62% de clasificaciones correctas.
Además, podemos sentirnos contentos de que dos de las hojas de nuestro árbol de
clasificación han logrado un 100% de clasificaciones correctas, para los vinos de tipo 2 y 3.
Pero, por supuesto, necesitamos ser más sistemáticos para indagar qué tan bien hace
predicciones nuestro modelo.
Usamos la función precict() con nuestro set de prueba para generar un vector con los
valores predichos por el modelo que hemos entrenado, especificamos el parámetro type =
"class".

argumento type = "class para

prediccion_1 <- predict(arbol_1, newdata = vino_prueba, type = "class")

Cruzamos la predicción con los datos reales de nuestro set de prueba para generar una
matriz de confusión, usando confusionMatrix() de caret.

confusionMatrix(prediccion_1, vino_prueba[["tipo"]])
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 12 2 4
## 2 0 24 2
## 3 0 0 9
##
## Overall Statistics
##
## Accuracy : 0.8491
## 95% CI : (0.7241, 0.9325)
## No Information Rate : 0.4906
## P-Value [Acc > NIR] : 5.793e-08
##
## Kappa : 0.7621
## Mcnemar's Test P-Value : 0.04601
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 1.0000 0.9231 0.6000
## Specificity 0.8537 0.9259 1.0000
## Pos Pred Value 0.6667 0.9231 1.0000
## Neg Pred Value 1.0000 0.9259 0.8636
## Prevalence 0.2264 0.4906 0.2830
## Detection Rate 0.2264 0.4528 0.1698
## Detection Prevalence 0.3396 0.4906 0.1698
## Balanced Accuracy 0.9268 0.9245 0.8000

Nada mal. Tenemos una precisión (accuracy), Kappa y otros estadísticos con buenos
valores.
Sin embargo, no hemos terminado. Este árbol ha predicciones a partir de los datos de
entrenamiento que hemos proporcionado. ¿Recuerdas que el algoritmo busca la mejor
separación para crear grupos? Si nuestros datos cambian, la variable que hace la mejore
separación también puede cambiar. Y por lo tanto, los grupos que resulten de esta
separación, serán distintos, resultando en un modelo que puede ser muy distinto al que
hemos obtenido.
Generamos un segundo árbol, usando sets de entrenamiento y prueba diferentes.

set.seed(7439)
vino_entrenamiento_2 <- sample_frac(vino, .7)

vino_prueba_2 <- setdiff(vino, vino_entrenamiento)

arbol_2 <- rpart(formula = tipo ~ ., data = vino_entrenamiento_2)

prediccion_2 <- predict(arbol_2, newdata = vino_prueba_2, type = "class")

Veamos los resultados.

rpart.plot(arbol_2)
confusionMatrix(prediccion_2, vino_prueba_2[["tipo"]])
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 12 0 0
## 2 0 25 1
## 3 0 1 14
##
## Overall Statistics
##
## Accuracy : 0.9623
## 95% CI : (0.8702, 0.9954)
## No Information Rate : 0.4906
## P-Value [Acc > NIR] : 6.238e-14
##
## Kappa : 0.9399
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 1.0000 0.9615 0.9333
## Specificity 1.0000 0.9630 0.9737
## Pos Pred Value 1.0000 0.9615 0.9333
## Neg Pred Value 1.0000 0.9630 0.9737
## Prevalence 0.2264 0.4906 0.2830
## Detection Rate 0.2264 0.4717 0.2642
## Detection Prevalence 0.2264 0.4906 0.2830
## Balanced Accuracy 1.0000 0.9623 0.9535

¡Oh! Esta vez hemos obtenido una precisión casi perfecta en nuestras predicciones. Con
este modelo hemos mejorado la predicción con respecto al anterior.
Sin embargo, es importante notar que este segundo modelo es diferente con respecto al
anterior en el orden que fueron hechas las particiones, pero es idéntico en cuanto a las
variables usadas para separar grupos.
Podemos cambiar los datos usados en los sets de entrenamiento y prueba y obtener
resultados distintos.

set.seed(8476)
vino_entrenamiento_3 <- sample_frac(vino, .7)

vino_prueba_3 <- setdiff(vino, vino_entrenamiento)

arbol_3 <- rpart(formula = tipo ~ ., data = vino_entrenamiento_3)

prediccion_3 <- predict(arbol_3, newdata = vino_prueba_3, type = "class")

rpart.plot(arbol_3)

confusionMatrix(prediccion_3, vino_prueba_3[["tipo"]])
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 8 0 0
## 2 0 24 2
## 3 4 2 13
##
## Overall Statistics
##
## Accuracy : 0.8491
## 95% CI : (0.7241, 0.9325)
## No Information Rate : 0.4906
## P-Value [Acc > NIR] : 5.793e-08
##
## Kappa : 0.758
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 0.6667 0.9231 0.8667
## Specificity 1.0000 0.9259 0.8421
## Pos Pred Value 1.0000 0.9231 0.6842
## Neg Pred Value 0.9111 0.9259 0.9412
## Prevalence 0.2264 0.4906 0.2830
## Detection Rate 0.1509 0.4528 0.2453
## Detection Prevalence 0.1509 0.4906 0.3585
## Balanced Accuracy 0.8333 0.9245 0.8544

Esta ocasión hemos obtenido una precisión en nuestras predicciones similar al primer
modelo que generamos, pero ahora una de las variables usadas en la partición es diferente.
En todos estos ejemplos, lo único que hemos cambiado son nuestros sets de prueba y
entrenamiento, ningún otro parámetro ha cambiado. Esto ilustra la desventaja de que sea

¿Cómo elegimos un modelo?

La respuesta depende de nuestros objetivos y qué tanta precisión nos interese en nuestras
predicciones.
Por ejemplo, con los datos sobre vinos podría ser que no nos interesan tanto las reglas
específicas para clasificar vinos, sino las variables que son más importantes para
distinguirlos. Lo que nos han pedido es reduzcamos el número de variables usadas para
catalogar vinos para fines de control de calidad, de las trece originales a un número menor.
Pero también puede ser que el propósito del análisis sea clasificar vinos por riesgo de
toxicidad. En este caso sí es importante tener reglas precisas para hacer predicciones.
En todo caso, una manera de elegir un modelo es, en realidad, crear múltiples modelos y
compararlos. Por ejemplo, creamos cien árboles con los mismos datos y después analizaos
los modelos que tienen más éxito para clasificar para determinar cuáles variables son las
que mejor separan los datos y en qué rangos se encuentran los valores de las reglas. De
hecho, este es el principio del método Random Forest, pero ese es tema para otro día.
En nuestro ejemplo, hay algunas variables que aparecen frecuentemente, pero la regla
asociada a ellas ha cambiado. color_intensity ha aparecido en los tres modelos generados,
con tres valores distintos: 4, 3.5 y 4.9. Algo similar ha ocurrido con proline y flavanoids. Lo
que ha sido consistente es la presencia de estas variables, en la mayoría de nuestros
modelos. Es muy probable que si repetimos este ejercicio suficientes veces, encontraremos
más regularidades como esta.

Sistematizando el análisis
Por supuesto, podemos crear un grupo de funciones que para generar árboles de manera
repetida.

crear_sets <- function(datos, proporcion = .7) {

sets <- list()

sets[["entrenamiento"]] <- sample_frac(datos, proporcion)

sets[["prueba"]] <- setdiff(datos, sets[["entrenamiento"]])

sets
}

entrenar_arbol <- function(sets, objetivo, predictores = ".", mi_cp = .01) {

if(length(predictores > 1)) {
predictores <- paste0(predictores, collapse = "+")
}
mi_formula <- paste0(objetivo, " ~ ", predictores) %>% as.formula()
 arbol <- list()
arbol[["modelo"]] <-
rpart(data = sets[["entrenamiento"]], formula = mi_formula,
control = rpart.control(cp = mi_cp, xval = 35, minsplit = 5))
arbol[["prediccion"]] <- predict(arbol[["modelo"]], sets[["prueba"]], type
= "class")
arbol[["referencia"]] <- sets[["prueba"]][[objetivo]]

arbol
}

obtener_diagnostico <- function(arbol, objetivo, mi_cp = 0.01) {

diagnostico <- list()
diagnostico[["matriz"]] <- confusionMatrix(data = arbol[["prediccion"]],
reference = arbol[["referencia"]
])

cp <- with(arbol[["modelo"]], cptable[which.min(cptable[, "xerror"]), "CP"]

)
cp_original <- mi_cp
podar <- if(cp < mi_cp) "SI" else "NO"
diagnostico[["mincp"]] <- data.frame("CP mínimo" = cp, "CP original" = cp_o
riginal, "Podar" = podar)

diagnostico
}

crear_arbol <- function(datos, objetivo, predictores = ".", mi_cp = 0.01) {

resultado <- list()
resultado[["sets"]] <- crear_sets(datos)
resultado[["arbol"]] <- entrenar_arbol(resultado[["sets"]], objetivo, predi
ctores, mi_cp)
resultado[["diagnostico"]] <- obtener_diagnostico(resultado[["arbol"]], obj
etivo, mi_cp)
 resultado
}

Veamos el resultado de lo anterior.

set.seed(1986)
unarbol <- crear_arbol(vino, "tipo", mi_cp = 0.005)

unarbol[["diagnostico"]]
## $matriz
## Confusion Matrix and Statistics
##
## Reference
## Prediction 1 2 3
## 1 22 1 0
## 2 0 11 2
## 3 0 1 16
##
## Overall Statistics
##
## Accuracy : 0.9245
## 95% CI : (0.8179, 0.9791)
## No Information Rate : 0.4151
## P-Value [Acc > NIR] : 7.065e-15
##
## Kappa : 0.884
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 1 Class: 2 Class: 3
## Sensitivity 1.0000 0.8462 0.8889
## Specificity 0.9677 0.9500 0.9714
## Pos Pred Value 0.9565 0.8462 0.9412
## Neg Pred Value 1.0000 0.9500 0.9444
## Prevalence 0.4151 0.2453 0.3396
## Detection Rate 0.4151 0.2075 0.3019
## Detection Prevalence 0.4340 0.2453 0.3208
## Balanced Accuracy 0.9839 0.8981 0.9302
##
## $mincp
## CP.mínimo CP.original Podar
## 1 0.005 0.005 NO

Para concluir
Notarás que las funciones anteriores incluyen ajustes de parámetros que no hemos discutido
y que nos ayudan a perfeccionar nuestros modelos de predicción con árboles de
clasificación. Estos los revisaremos en otra ocasión.
Por lo pronto, en este documento ya revisamos qué son los árboles de decisión, sus ventajas
y desventajas, cómo implementarlos para hacer clasificación usando el paquete rpart de R
y, de paso, cómo resolver algunos problemas comunes al importar datos guardados en
archivos de formato no convencional.
Con esto creo que tendrás los elementos básicos para crear e interpretar tus propios árboles
de clasificación con distintos tipos de datos.