Universidad Técnica de Cotopaxi

Extensión La Maná
Facultad:
Ciencias de la Ingeniería y Aplicada

Carrera:
Sistemas de información

Asignatura:
INTELIGENCIA ARTIFICIAL

Docente:
Ing. Angel Geovanny Cudco Pomagualli
Alumno:
Kevin Alexi Osorio Travez

Periodo Académico:
Abril – Agosto 2022
Capturas de pantalla de la instalación de R y R Studio
Seleccionamos el idioma

Aceptamos las licencias de R

Seleccionamos el lugar de instalación

Elegimos los componentes

Opciones de configuración
Nombre a la carpeta

Tareas adicionales
Instalando

Completado
Capturas de RStudio

Lugar de Instalación
Nombre del programa

Instalando
Completado

Muestra del panel de Rstudio

Ejercicio usando RStudio
Usamos la tabla diabetes y usamos las librerías

Seleccionamos la tabla diabetes y declaramos las columnas a usar

Dividimos el dataset en 60% y 40%

Se crea el árbol de decision

Informacion y Grafico
Predice la cancelación de test

Estadística de modelo
Codigo
library(rpart) # Algoritmo árbol de decisión
library(rpart.plot) # Graficar árbol de decisión

diabetes <- diabetes[,c(1,2,3,5,6,8,9)]

names(diabetes) <- c("embarazo","glucosa","presion arterial","insulina","masa corporal",
"edad","salida");

# Dividimos el dataset en 60% entreno y 40% validación

ind <- sample(2,nrow(diabetes), replace=TRUE, prob=c(0.6, 0.4)) # 60%
entrenamiento, 40 % test
trainData <- diabetes[ind==1, ] # Entrenamiento
testData <- diabetes[ind==2, ] # Test

#### PASO 4: Creamos árbol de decisión

```{r}
ArbolRpart <- rpart(salida ~ ., method = "class", data = trainData)
```

#### PASO 5: Revisamos información y gráfico

```{r}
print(ArbolRpart)
rpart.plot(ArbolRpart,extra=4) # extra=4:probabilidad de observaciones por clase

printcp(ArbolRpart) # estadísticas de resultados

plotcp(ArbolRpart) # evolución del error a medida que se incrementan los nodos
```
# Podado del árbol
pArbolRpart<- prune(ArbolRpart, cp=
ArbolRpart$cptable[which.min(ArbolRpart$cptable[,"xerror"]),"CP"])
pArbolRpart<- prune(ArbolRpart, cp= 0.055283)
printcp(pArbolRpart)

#### PASO 6: Predice las cancelaciones en testData

```{r}
# Validamos la capacidad de predicción del árbol con el fichero de validación
testPredRpart <- predict(ArbolRpart, newdata = testData, type = "class")

# Visualizamos una matriz de confusión

table(testPredRpart, testData$salida)
```

#### PASO 7: Estadística del modelo

```{r}
# Calculamos el % de aciertos
sum(testPredRpart == testData$salida) / length(testData$salida)*100
```

```