PROYECTO ENTREGA2 Borrador

Introducción a Inteligencia Artificial para ciencias e ingenierías
Segunda Entrega
Estudiantes:
Omar Alberto Torres CC 91220873

Carlos Alfredo Pinto Hernández CC 1100953378
Profesor:
Raúl Ramos Pollan
Faculta de ingeniería
Departamento de Ingeniería de Sistemas
Ude@
2023
I. Introducción
1. Problema predictivo
Dadas unas características físicas, enfermedades y resultados de laboratorios de una persona se
predecirá la probabilidad de presentar enfermedad cerebro vascular o stroke.
2. Dataset elegido
Se utilizará el dataset de kaggle de la competición denominada “Playground Series - Season 3,
Episode 2” disponible en el siguiente enlace: https://www.kaggle.com/competitions/playground-series-
s3e2/ el cual contiene más de 15.000 muestras y divididas en 12 columna incluyendo: edad, género,
índice de masa corporal, promedio de nivel de glucosa, tipo de residencia, tipo de trabajo, si ha
estado casado, si presenta hipertensión o enfermedad cardíaca.
Se obtienen dos archivos uno denominado “train.csv - the training dataset”: donde se especifica el
target “stroke” en formato binario y el otro documento “test.csv - the test dataset” con el cual se
probará el modelo para predecir la probabilidad de presentar un stroke.
3. Métrica de desempeño
Como métrica de machine learning vamos a utilizar el área bajo la curva ROC entre la probabilidad
del modelo vs el resultado (stroke); esta métrica fue definida en la competencia. Como métrica de
negocio se podría plantear el incremento del número de personas que ingresan a controles de riesgo
cardiovascular detectados por el modelo.
4. Criterio sobre el cual sería el desempeño deseable en producción

Se espera tener un recall (sensibilidad) mayor al 90% dado que son los valores de los modelos de
prevención y tamizaje en el ámbito de salud.
II. Exploración descriptiva del Dataset
1. Variable objetivo (y)

La variable stroke es la variable objetivo del dataset y se representa de forma binaria, 0 significa que
la persona no presentó stroke y 1 que si lo presentó. En el grafico 1 se muestra la frecuencia de las
categorías de stroke en las muestras del dataset.
Gráfico 1: Frecuencia de la variable stroke

Se evidencia un dataset muy desbalanceado, dado el número mayor de la categoría 0, pero se
considera que es algo habitual dado que el dominio del problema está relacionado con el área de la
salud.
2. Características
Usando el método head() de pandas, se obtienen la tabla con las primeras 5 muestras con todas las
características y variable de salida u objetivo. Con el método shape() se evidencia la cantidad de
muestras o filas y las características/salida como columnas. En este caso el database contiene 15304
columnas y 12 columnas.
Tabla 1: Visualización de database.head()
Luego al utilizar el método info() podemos visualizar el tipo de variable de cada columna y la cantidad
de nulos que tiene el dataset. Para efectos académicos a esta BD se insertaron valores nulos del 5%
para poder realizar manejo de estos, dado que originalmente no traían datos nulos. Se realizó la
inclusión de valores nulos a las variables age y avg_glucose_level.
Gráfico 2: Tipo de variables y datos nulos en BD original
Gráfico 3: Tipo de variables y datos nulos en BD con inclusión de valores nulos

2.1 Descripción estadística de variables numéricas
Se tomaron las variables numéricas y se realizó análisis con método describe, con el fin de obtener
valores como número total, media, desviación estándar, valor mínimo, valor máximo y los
percentiles 25, 50 y 75. En la tabla 2, se evidencian estos resultados para las variables age,
avg_glucose_level y bmi.
Tabla 2: Descripción estadística de variables numéricas
A través de boxplot se pueden visualizar distribución de los datos, simetría y datos atípicos de
variables numéricas. En el siguiente figura se presenta un boxplot de la variable avg_glucose_level.
Gráfico 4: Boxplot de distribución de la variable avg_glucose_level
2.2 Variables categóricas

Para cuantificar las variables categóricas utilizamos el método value_counts() y con esto se pudieron
realizar algunas gráficas de distribución. En el caso de la variable work_type se encontraron las
frecuencias de sus 5 categorías las cuales fueron graficadas en plot tipo pie.
Gráfico 5: Frecuencias de las categorías de la variable work_type

Gráfico 6: Distribución por tipo de trabajo
III. Avances del proyecto
1. Progreso
Se realizó inicialmente una exploración de los datos como está descrito en el numeral 2 además de la
inclusión de análisis de correlación entre las variables y la variable objetivo.
Como parte del proceso de formación generamos 5% de nulos en dos variables en el dataset original
para realizar el proceso de ajuste y ejecución de métodos para tratar estos valores. Además,
realizamos la conversión de variables categóricas a numéricas.
2. Modelos implementados
El primer modelo implementado fue el Decision Tree utilizando el método DecisionTreeClassifier()
importado de sklearn.tree. Este método presentó un AUC de 0.817 y la siguiente curva ROC:
Gráfico 7: Curva ROC del Modelo Árbol de decisión

El segundo modelo que ejecutamos fue el de maquina de soporte vectorial quien mostró un resultado
de AUC del 0.731 con la siguiente curva ROC:
Gráfico 8: Curva ROC del Modelo Maquina de soporte vectorial
Para estos modelos se utilizamos 90% del dataset para entrenamiento y 10% restante para
verificación. Pero tenemos que usar el otro dataset (test) para hacer la verificación y usar el 100% de
esta BD (train) en los modelos planteados.
Hemos observado que es muy desbalanceado el dataset pero encontramos que es muy común en el
área de la salud, por lo tanto, no sabemos si hacer el balanceado previo a los modelos o dejarlos tal
como son el vida real y generar los modelos así.

PROYECTO ENTREGA2 Borrador

Cargado por

Copyright:

Formatos disponibles

PROYECTO ENTREGA2 Borrador

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PROYECTO ENTREGA2 Borrador

Cargado por

Copyright:

Formatos disponibles

Introducción a Inteligencia Artificial para ciencias e ingenierías

Omar Alberto Torres CC 91220873

4. Criterio sobre el cual sería el desempeño deseable en producción

II. Exploración descriptiva del Dataset

1. Variable objetivo (y)

Gráfico 1: Frecuencia de la variable stroke

Tabla 1: Visualización de database.head()

Gráfico 2: Tipo de variables y datos nulos en BD original

Gráfico 3: Tipo de variables y datos nulos en BD con inclusión de valores nulos

Tabla 2: Descripción estadística de variables numéricas

Gráfico 4: Boxplot de distribución de la variable avg_glucose_level

2.2 Variables categóricas

Gráfico 5: Frecuencias de las categorías de la variable work_type

III. Avances del proyecto

Gráfico 7: Curva ROC del Modelo Árbol de decisión

Gráfico 8: Curva ROC del Modelo Maquina de soporte vectorial

También podría gustarte