____________________________________________________________________________________

ANÁLISIS DE TÉCNICAS DE CLASIFICACIÓN

Aplicación de métodos de clasificación para determinar potabilidad del agua
PROYECTO 2 MINERÍA DE DATOS
____________________________________________________________________________________

Marcelo Alvarado Salazar Tabita Maldonado Espinoza Oscar Valderrama Martínez

Universidad de Talca, Facultad de Universidad de Talca, Facultad de Universidad de Talca, Facultad de
Ingeniería, Campus Curicó Ingeniería, Campus Curicó Ingeniería, Campus Curicó
Malvarado17@alumnos.utalca.cl Tmaldonado15@alumnos.utalca.cl Ovalderrama17@alumnos.utalca.cl

Abstract: In this report an investigation of the museum.org/water/html/es/Treatment/Water-

"Water Quality" database is carried out in order to
predict the class attribute of said base, referring to
the potability of the water. For this, the algorithms
C4.5, C5.0, KNN and Neural Networks were
applied. The main R libraries studied in the course
were implemented to study and process information
through the application of data mining. Then, the
precision and error of each algorithm are observed.
Finally, these results are compared and in this way,
it is defined which algorithm is more assertive.
Keywords: classification, water quality, KNN, ANN,
decision tree.
I. INTRODUCCIÓN
La calidad del agua que se suministra a las
comunidades es una consideración importante en la
protección de la salud y el bienestar humano: “todos
los pueblos, cualesquiera que sean su etapa de
desarrollo de condición social y económica, tienen
derecho a tener acceso a agua potable en la
cantidad y en la calidad que corresponde a sus
necesidades básicas” [1] OMS. (1998). Guías para la
calidad del agua potable. Vigilancia y control de los
abastecimientos de agua a la comunidad - OMS. Segunda
Edición, 3, 271.
https://www.who.int/es/publications/i/item/9241545038
[2] National Academy of Sciences. (2021). El agua
potable segura es esencial. https://www.koshland-
science-
Related-Diseases.html
[3] OMS. (2019). Agua. https://www.who.int/es/news-
room/fact-sheets/detail/drinking-water
[4] IBM. (2021). Data mining techniques.
https://www.ibm.com/cloud/learn/data-
mining#toc-data-minin-mIX76RvV
[5] Tan, P. N., Steinbach, M., & Kumar, V. (2006).
Introduction to data mining. Pearson Education.
.
Las enfermedades vinculadas con el agua
son uno de los problemas de salud más
significativos en el mundo. El cólera y otras
enfermedades diarreicas por sí solas son
responsables de casi 1,8 millones de muertes todos
los años como consecuencia de la insalubridad del
agua ¡Error! No se encuentra el origen de la referencia..Sin
embargo, también existen otros riesgos, como la
esquistosomiasis, una enfermedad grave y crónica
provocada por lombrices parasitarias contraídas por
la exposición a agua infestada, y que en 2019 afectó
a 240 millones de personas ¡Error! No se encuentra el origen
de la referencia..
En este contexto, aplicar técnicas o métodos
que ayuden a determinar la potabilidad del agua
resulta beneficioso para la sociedad. Las técnicas de
minería de datos se adaptan ampliamente en
diversas aplicaciones de análisis de datos,
permitiendo extraer conocimiento. Una técnica de
clasificación es un enfoque sistemático para

1
construir modelos de clasificación a partir de un
conjunto de datos de entrada, dentro de las cuales se
encuentran árboles de decisión, clasificadores
basados en reglas, redes neuronales, entre otros.
Cada técnica emplea un algoritmo de aprendizaje
que permite identificar el modelo que mejor se
adapta a la relación entre el conjunto de atributos y
la clase de los datos de entrada .
En el presente documento, se realiza un análisis
supervisado, técnica que se ocupa para asignar
objetos a una categoría a partir de un conjunto de
datos de entrenamiento. Para este proyecto, se
utiliza la base de datos previamente seleccionada, y
diversos algoritmos con el objetivo de predecir la
potabilidad del agua, analizando las características
del agua, como el pH, la dureza y presencia de
sólidos, entre otros.
II. CONTEXTO DE LA BASE DE DATOS
En el proyecto se realiza un análisis a la base de
datos “Water Quality” [6] la cual se obtuvo del
repositorio “Kaggle”. La base de datos posee un
total de 3.276 instancias y 10 atributos, donde el
último atributo corresponde a la etiqueta de clase
indicando para cada registro si clasifica como agua
potable o no potable. La proporción de las instancias
con relación al tipo de clase al que pertenecen posee
los siguientes porcentajes:
• 39% de los datos corresponde a agua potable
• 61% de los datos corresponde a agua no
potable
A continuación, se describen los atributos
presentados en la base de datos.
• pH: es el indicador de la condición ácida o
alcalina del estado del agua, es un parámetro
importante en la evaluación del equilibrio
ácido-base del agua. Es un atributo numérico
en un rango de 0 a 14.
• Dureza: es la concentración de compuestos
minerales que hay en una determinada
cantidad de agua, en particular sales de
magnesio y calcio. Es un atributo numérico
y se mide en miligramos de carbonato de
calcio (CaCO3) por litro.
• Sólidos (sólidos disueltos totales o TDS):
el agua tiene la capacidad de disolver una
amplia gama de minerales o sales
inorgánicos y algunos orgánicos, como
potasio, calcio, sodio, bicarbonatos,
cloruros, magnesio, sulfatos, etc. Estos
minerales producen un sabor no deseado y
un color diluido en apariencia de agua. Es un
atributo numérico y se mide en miligramos
de sólidos por litro (𝑚𝑔⁄𝑙 ).
• Cloraminas: el cloro y la cloramina son los
principales desinfectantes que se utilizan en
los sistemas públicos de agua. Las
cloraminas se forman con mayor frecuencia
cuando se agrega amoníaco al cloro para
tratar el agua potable. Es un atributo
numérico y se mide en miligramos de
cloramina por litro (𝑚𝑔⁄𝑙 ).
• Sulfato: Los sulfatos son sustancias
naturales que se encuentran en minerales,
suelo y rocas. Están presentes en el aire
ambiente, el agua subterránea, las plantas y
los alimentos. Es un atributo numérico y se
mide en miligramos de sulfato por litro
(𝑚𝑔⁄𝑙 ).
• Conductividad: la conductividad eléctrica
(EC) mide el proceso iónico de una solución
que le permite transmitir corriente. El
aumento de la concentración de iones
mejora la conductividad eléctrica del agua.
Es un atributo numérico y se mide en
microsiemens por centímetro (𝜇𝑆⁄𝑐𝑚).
• Carbono orgánico: el carbono orgánico
total es una medida de la cantidad total de
carbono en compuestos orgánicos en agua
pura. Es un atributo numérico y se mide en
miligramos de carbono orgánico por litro
(𝑚𝑔⁄𝑙 ).
• Trihalometanos (THM): son sustancias
químicas que se pueden encontrar en el agua
tratada con cloro. La concentración de THM
en el agua potable varía según el nivel de
material orgánico en el agua, la cantidad de
cloro necesaria para tratar el agua y la
temperatura del agua que se está tratando. Es
un atributo numérico y se mide en partes por
millón (ppm).
2
 • Turbidez: es la medida del grado de
transparencia que pierde el agua por la
presencia de partículas en suspensión.
Cuanto mayor sea la cantidad de sólidos
suspendidos en el líquido, mayor será el
grado de turbidez. Es un atributo numérico y
se mide en unidades Nefelométricas de
turbidez (NTU).
• Potabilidad: es la calidad que ha de tener el
agua para que pueda ser consumida por el
hombre sin peligro para la salud. 1 si el agua
es potable, 0 en caso contrario.
III. OBJETIVOS
El caso de estudio tiene como objetivo aplicar
diferentes algoritmos de clasificación que permitan
predecir la potabilidad del agua y determinar cuál es
el mejor método.
IV. PRE-PROCESAMIENTO
La base de datos contiene inconsistencias y
presencia de ruido, lo que genera errores y valores
atípicos. Sin un preprocesamiento de datos, estos
errores disminuirían la calidad de la minería de
datos. Debido a lo anterior, se realiza el
preprocesamiento de los datos de esta base:
• Missing values: para desarrollar el
tratamiento de los datos faltantes, se utilizó
la librería “MICE”. Inicialmente se procedió
a determinar el total de datos faltantes de la
base de datos, que corresponde a 1.434. A
través de la función “complete” de la misma
librería, fue posible agregar los datos
faltantes imputados en la base de datos. De
esta forma se logra completar la base de
datos con instancias que se encuentran
dentro de los límites.
• Tratamiento de outliers: para llevar a cabo
este tratamiento se utilizó un enfoque
univariado. Mediante gráficas “Boxplot” se
identifican los datos atípicos
correspondientes a cada atributo de la base
de datos. Tras un análisis de dichos datos
atípicos, se concluyó que estos si estaban
entre los márgenes permitidos de cada
atributo, por lo que se decide mantener todos
los valores sin ninguna modificación.
• Escalar los datos: para la aplicación de las
distintas técnicas que se aplicarán a la base
de datos, se decide escalar los datos. Los
datos fueron normalizados, es decir, se
escalan los datos a través del método “min-
max” dejando todos los valores en un rango
de 0 a 1.
• PCA: es un método para reducir el número
de atributos de una base de datos. El objetivo
es realizar una transformación, pero
conservando las propiedades. Para esta base
de datos, se consideró una cantidad de 6
atributos, los cuales contemplaban el 85% de
la varianza. Cabe destacar que además se
incluyó el atributo referido a la clase. Esto se
hace a modo de comparación de resultados,
para verificar si estos 6 atributos representan
correctamente el comportamiento de toda la
base de datos y además, observar la
precisión al momento de aplicar este método
y compararla con los datos originales
considerando los 10 atributos iniciales.
V. TÉCNICAS DE CLASIFICACIÓN
UTILIZADAS
A. Árboles de Decisión
Esta técnica de minería de datos utiliza métodos de
clasificación o regresión para clasificar o predecir
los resultados potenciales en función de un conjunto
de decisiones. Tal como dice su nombre, utiliza una
visualización en forma de árbol para representar los
posibles resultados de estas decisiones ¡Error! No
se encuentra el origen de la referencia.. Se han
desarrollado algoritmos eficientes para inducir un
árbol de decisiones razonablemente precisos en un
período de tiempo razonable. Uno de los primeros
métodos utilizados es el algoritmo de Hunt, que es
la base de muchas implementaciones actuales de
clasificadores de árboles de decisión, incluidos ID3,
C4.5 y CART ¡Error! No se encuentra el origen
de la referencia..
• C4.5: el algoritmo puede ser utilizado con la
librería RWeka o caret. Inicialmente, se
realiza un muestreo aleatorio para asignar
datos al conjunto de entrenamiento y prueba
(75% train, 25% test). Generados estos
datos, se aplica el método J48 a los datos de
entrenamiento para luego evaluar el
3
 desempeño del modelo y aplicarlo a los
datos de prueba. La efectividad del modelo
se mide mediante la matriz de confusión
obtenida.
• C5.0: el algoritmo utiliza la librería caret. Al
igual que el algoritmo anterior, primero se
realiza el muestreo para la obtención de los
datos de entrenamiento y prueba. Se efectúa
el modelo C5.0 a los datos de entrenamiento
para luego realizar la predicción. Se realiza
la matriz de confusión para evaluar el
desempeño del modelo.
B. K Vecinos Más Cercanos (KNN)
También conocido como algoritmo KNN, la
clasificación del vecino más cercano es parte de una
técnica más general basada en instancias. El
algoritmo calcula la distancia o similitud entre cada
ejemplo de prueba y todos los ejemplos de
entrenamiento para determinar su lista de vecinos
más cercanos. Una vez que se obtiene la lista de
vecinos más cercanos, la instancia se clasifica según
la clase de la mayoría de sus vecinos ¡Error! No se
encuentra el origen de la referencia..
El algoritmo utiliza la librería caret y class.
En primera instancia, los datos se escalan y se
selecciona la cantidad requerida para el conjunto de
entrenamiento, en este caso fue de 75%, y se realiza
un muestreo aleatorio simple para mejorar la calidad
del modelo. Los datos aleatorios se almacenan en la
variable train y los restantes pertenecerán al
conjunto test. Utilizando el método cross-validation
k-fold se evalúa el desempeño del KNN. Además, la
función permite determinar el óptimo de vecinos.
Generados los datos, se procede a efectuar el
modelo KNN con los parámetros obtenidos del
proceso anterior, y mediante la matriz de confusión
se calcula el porcentaje de precisión del algoritmo.
C. Redes Neuronales Artificiales (ANN)
Las redes neuronales artificiales (o ANN por sus
siglas en inglés) procesan los datos de
entrenamiento imitando la interconectividad del
cerebro humano a través de capas de nodos. Cada
nodo está compuesto por entradas, pesos, un umbral
y una salida. Si el valor de salida excede el umbral,
activa el nodo pasando datos a la siguiente capa en
la red. Las redes aprenden la función de mapeo por
medio del aprendizaje supervisado ajustándose en
relación de la función de pérdida a través del
proceso de descenso de gradiente. Se puede confiar
en la predicción del modelo cuando la función de
costo es cercana o igual a cero ¡Error! No se
encuentra el origen de la referencia..
El algoritmo utiliza las librerías neuralnet,
Ggally y tidyverse. El primer paso es normalizar los
datos, para luego aplicar la función neuralnet
indicando las salidas y las entradas
correspondientes, el conjunto de datos de train y las
características de la red neuronal, como las capas
ocultas y el umbral. Con esta información, la
función genera la red en base a las características
señaladas. Para evaluar el funcionamiento de la red,
se genera un sub-set eliminando la clase da la base
de datos, y mediante el complemento compute de la
función neuralnet se realiza la predicción.
Es importante destacar que debido a que los
recursos disponibles para ejecutar este modelo eran
limitados, al aplicar la función “neuralnet” se
modifica el umbral de 0,01 a 0,1. El aumento en el
umbral genera menos precisión en el modelo, pero
permite obtener resultados que no generen un error.
VI. RESULTADOS
A. Árboles de Decisión
• C4.5: tras aplicar esta técnica de
clasificación la base de datos, fue posible
obtener su porcentaje de precisión con y sin
PCA, tal como se muestra a continuación:
Tabla 1: Ratios de exactitud para C4.5
C4.5 Accuracy
Sin PCA 0.93047
Con PCA 0.82823
Fuente: Elaboración propia
Tal como se observa en la Tabla 1, la
metodología más asertiva es no utilizar PCA,
ya que el porcentaje de precisión sin PCA es
mayor, entregando un valor de 93,04%.
En la Tabla 2 se muestra la matriz de
confusión obtenida tras aplicar este modelo.
Tabla 2: Matriz de confusión C4.5
Agua no potable Agua potable
Agua no potable 569 34
Agua potable 34 341
Fuente: Elaboración propia
4
 • C5.0: al igual que en el caso anterior, se Al utilizar este valor de k, se obtuvieron los
obtuvieron los valores para C5.0 con y sin siguientes valores de precisión presentados en la
PCA, los cuales se muestran en la siguiente Tabla 6, donde se observa que el porcentaje de
tabla: precisión con PCA es superior, alcanzando 95,60%.
Tabla 3: Ratios de exactitud para C5.0 Tabla 6: Ratios de exactitud KNN
C5.0 Accuracy KNN Accuracy
Sin PCA 0.95935 Sin PCA 0.95604
Con PCA 0.85212 Con PCA 0.84737
Fuente: Elaboración propia Fuente: Elaboración propia
En este caso, también el porcentaje de Una vez obtenido el número óptimo de vecinos a
precisión es considerablemente mayor al utilizar, se obtuvo la siguiente matriz de confusión:
aplicar el modelo sin PCA, con un 95,93%. Tabla 7: Matriz de confusión de KNN
Además de lo anterior, se obtuvo Agua no potable Agua potable
como resultado la matriz de confusión de Agua no potable 481 10
Agua potable 26 302
este modelo, la cual se muestra en la Tabla
Fuente: Elaboración propia
4.
C. Redes Neuronales Artificiales
Tabla 4: Matriz de confusión C5.0
Agua no potable Agua potable Al aplicar redes neuronales artificiales a esta base de
Agua no potable 494 18 datos, en primera instancia se probaron diferentes
Agua potable 17 332
nodos de redes neuronales para ejecutar la función
Fuente: Elaboración propia
“neuralnet”. Los resultados de esto se presentan a
A modo de resumen, en la Tabla 5 se muestran los continuación:
resultados de ambos modelos correspondientes a Tabla 8: Nodos de redes neuronales
árboles de decisión sin PCA. Nodos hidden Error
Tabla 5:Resumen de resultados árbol de decisión (2,1) 115.670
Método Accuracy (2,2) 129.110
C4.5 0.93047 (3,2) 109.651
C5.0 0.95935 (3,3,3) 107.652
Fuente: Elaboración propia (3,2,1) 109.056
(4,2,2) 111.233
En esta se observa que en cuanto a árboles Fuente: Elaboración propia
de decisión el que obtuvo mejor porcentaje de
precisión es C4.5. Tal como se pudo observar en la Tabla 8, la mejor
combinación obtenida corresponde al considerar 3
B. K Vecinos Más Cercanos capas ocultas, con 3 neuronas en cada capa (3,3,3)
Al aplicar el método KNN, se obtuvo un k óptimo entregando el menor error equivalente a 107,652,
de vecinos más cercanos de 27, tal como se observa respecto de los demás nodos probados.
en la Figura 1 . A partir de lo anterior, se obtuvieron los
Figura 1: Gráfico de K-óptimo siguientes resultados con y sin PCA:
Tabla 9: Ratios de exactitud redes neuronales
Redes neuronales Accuracy
Sin PCA 0.96228
Con PCA 0.85134
Fuente: Elaboración propia
Al igual que en las técnicas de clasificación
aplicadas anteriormente, la metodología sin PCA
obtiene un mayor porcentaje de precisión
equivalente a 96,22%.
Fuente: Elaborado en RStudio
5
 Finalmente, en la Tabla 10 se muestra la
matriz de confusión obtenida a través de redes
neuronales.
Tabla 10: Matriz de confusión de redes neuronales
Agua no potable Agua potable
Agua no potable 483 15
Agua potable 16 308
Fuente: Elaboración propia
VII. ANÁLISIS DE RESULTADOS
Los resultados obtenidos permiten determinar cuál
es el mejor método: se observó que al aplicar el
algoritmo de redes neuronales éste obtuvo el mejor
porcentaje de precisión, entregando un accuracy del
96,22%, demostrando ser el algoritmo más robusto
para clasificar la base de datos presentada. En el otro
extremo, el algoritmo C4.5 el cual utiliza arboles de
decisión, obtuvo el valor más bajo con un accuracy
del 93,05%. Esto se puede observar con mayor
detalle en la Tabla 11.
Tabla 11: Resumen precisión de las metodologías
Metodología Accuracy
C4.5 0.93047
C5.0 0.95935
KNN 0.95604
Redes neuronales 0.96228
Fuente: Elaboración propia
Dentro de los algoritmos de árbol de decisión
aplicados, el método C5.0 obtiene un mejor
desempeño promedio, donde el 96,48% de los datos
que correspondían a agua no potable fueron
clasificados correctamente, mientras que el 95,13%
de los datos pertenecientes a la categoría de agua
potable fueron clasificados como tal. Los
porcentajes de asertividad del modelo se sitúan
sobre el 95%.
El método KNN aplicado obtuvo una
precisión del 95,6%, donde el 97,96% de los datos
correspondientes a la clase de agua no potable
fueron clasificados correctamente, mientras que el
92,07% de los datos que pertenecían a la categoría
de agua potable fueron clasificados asertivamente.
Por último, el algoritmo de redes neuronales
artificiales obtuvo una precisión de 96,22%, con un
porcentaje de aciertos en la categoría no potable de
96,98%, y un 95,06% de aciertos en la categoría
potable.
Si bien el algoritmo KNN no es el mejor
evaluado, comparando los otros métodos, posee un
desempeño muy efectivo al clasificar el agua como
no potable, cifra que supera a todos los métodos
presentados.
Además, en todos los modelos aplicados, al
considerar un análisis de dimensionalidad para
reducir la cantidad de atributos la efectividad de los
modelos se reduce, generando una diferencia
negativa de 0.1 en el valor.
VIII. CONCLUSIÓN
El simple acceso universal al agua no es suficiente
si no se considera su calidad, si el agua no está
limpia o no es segura para beber, no se está
cumpliendo con el derecho de la población de
acceder a esta necesidad básica en términos de
calidad. En el trabajo desarrollado se utilizaron
diferentes técnicas de clasificación para determinar
la potabilidad del agua utilizando un conjunto de
datos como entrenamiento y que permitieran
predecir el conjunto de prueba de manera correcta.
Los modelos aplicados en general
obtuvieron una precisión alta, donde los porcentajes
estuvieron entre el 93% y 96%. Se concluye que es
un excelente indicador, ya que siendo el agua un
elemento de habitual consumo y que afecta
directamente la salud de las personas, contempla
una relevancia significativa que las metodologías
tengan ese nivel de asertividad, donde el margen de
error debe ser mínimo al identificar a qué tipo de
clase pertenece cada una de las muestras analizadas.
Además, se realizó un análisis a la matriz de
confusión para cada una de las metodologías
aplicadas, dando como resultado que el agua no
potable siempre se predecía de mejor forma que el
agua potable, lo que demuestra que los modelos
utilizados tienen un buen desempeño, ya que,
determinar una asertividad alta en el agua no potable
se considera más relevante, por el riesgo que
significaría clasificar el agua como potable cuando
no lo es.
REFERENCIAS
[1] OMS. (1998). Guías para la calidad del agua potable.
Vigilancia y control de los abastecimientos de agua
6
 a la comunidad - OMS. Segunda Edición, 3, 271.
https://www.who.int/es/publications/i/item/92415
45038
[2] National Academy of Sciences. (2021). El agua
potable segura es esencial. https://www.koshland-
science-
museum.org/water/html/es/Treatment/Water-
Related-Diseases.html
[3] OMS. (2019). Agua. https://www.who.int/es/news-
room/fact-sheets/detail/drinking-water
[4] IBM. (2021). Data mining techniques.
https://www.ibm.com/cloud/learn/data-
mining#toc-data-minin-mIX76RvV
[5] Tan, P. N., Steinbach, M., & Kumar, V. (2006).
Introduction to data mining. Pearson Education.
[6] Kaggle. (2021). Water Quality, Drinking water
potability.
https://www.kaggle.com/adityakadiwal/water-
potability