CATÓLIC A DE UNIVERSIDAD CATÓLICA SANTA MARÍA
FACULTAD DE CIENCIAS E INGENIERÍAS FÍSICAS Y FORMALES
PROGRAMA PROFESIONAL DE INGENIERÍA DE SISTEMAS CURSO: INTELIGENCIA DE NEGOCIOS DOCEDENTE
ING. GUILLERMO CALDERON
PRESENTADO POR: GOMEZ GOMEZ MAYTE MELISSA PEROCHENA CORNEJO IRVIN VALDEZ HUAMANI WILLIAM SEMESTRE: VIII
AREQUIPA – PERÚ 2013
ÍNDICE DE CONTENIDO 1 INTRODUCCIÓN INTRODUCCIÓN ................................................................................ ................................................ ................................ ......... 3 2 OBJETIVOS.............................. ................................ ................................ ... 3 3 HERRAMIENTA ............................. ................................ .............................. 3 3.1 WEKA 3.6.10 ................................................................ ................................ ................................ ......................... 3 3.2 USO BÁSICO DE LA HERRAMIENTA................................ ................... 4 3.2.1 IMPORTACIÓN DE LA BASE DE DATOS ....................................... 4 4 ANÁLISIS DE LA INFORMACIÓN ................................................. .............. 5 4.1 SELECCIÓN DE UN GRUPO OPTIMO DE VARIALES ......................... 7 4.2 FILTRADO DE DATOS ...................................................... .................... 9 4.2.1 ELIMINACION DE LOS ATRIBUTOS NO SELECCIONADOS SELECCIONADOS ......... 9 4.2.2 FILTRADO DE DATOS DE LOS ATRIBUTOS ESCOGIDOS......... 10 4.2.2.1 “Customer – Subtype” ............................................................. ................................................ ............ 10 4.2.2.2 “Middle – Management” ......................... ................................ . 13 4.2.2.3 Rented – House............................... ................................ ....... 15 4.2.2.4 Contribution-car-policies Contribution-car-policies ............................. ............................ 17 4.2.2.5 Contribution-fire-policies Contribution-fire-policies ............................. ............................ 19 4.3 EQUIPARAR CLASES ............................. ................................ ............ 21 4.4 REVISION DE ATRIBUTOS................................ ................................ . 23 4.4.1 Evaluamos Con ChiSquaredAttributeEval ChiSquaredAttributeEval Y Ranker ...................... 23 4.4.2 Evaluamos Con InfoGainAttributeEval InfoGainAttributeEval Y Ranker........................... 24 4.4.3 Evaluamos Con GainRatioAttributeEval GainRatioAttributeEval Y Ranker ......................... 25 4.5 CLAUSTER.............................. ................................ ............................ 26 4.6 CLASIFICACION CLASIFICACION................................ ................................ .................. 27 4.6.1 ARBOL J48 ............................................. ................................ ....... 27 4.6.2 ARBOL ID3 ............................................................................. ............................................. ................................ ....... 29 4.6.3 ARBOL RANDOMFOREST RANDOMFOREST................................ ............................ 30 5 CONLUCIONES............................. ................................ ............................ 32 6 REFERENCIAS ....................................... ........ ............................... ................................ .................. 35
2
ÍNDICE DE CONTENIDO 1 INTRODUCCIÓN INTRODUCCIÓN ................................................................................ ................................................ ................................ ......... 3 2 OBJETIVOS.............................. ................................ ................................ ... 3 3 HERRAMIENTA ............................. ................................ .............................. 3 3.1 WEKA 3.6.10 ................................................................ ................................ ................................ ......................... 3 3.2 USO BÁSICO DE LA HERRAMIENTA................................ ................... 4 3.2.1 IMPORTACIÓN DE LA BASE DE DATOS ....................................... 4 4 ANÁLISIS DE LA INFORMACIÓN ................................................. .............. 5 4.1 SELECCIÓN DE UN GRUPO OPTIMO DE VARIALES ......................... 7 4.2 FILTRADO DE DATOS ...................................................... .................... 9 4.2.1 ELIMINACION DE LOS ATRIBUTOS NO SELECCIONADOS SELECCIONADOS ......... 9 4.2.2 FILTRADO DE DATOS DE LOS ATRIBUTOS ESCOGIDOS......... 10 4.2.2.1 “Customer – Subtype” ............................................................. ................................................ ............ 10 4.2.2.2 “Middle – Management” ......................... ................................ . 13 4.2.2.3 Rented – House............................... ................................ ....... 15 4.2.2.4 Contribution-car-policies Contribution-car-policies ............................. ............................ 17 4.2.2.5 Contribution-fire-policies Contribution-fire-policies ............................. ............................ 19 4.3 EQUIPARAR CLASES ............................. ................................ ............ 21 4.4 REVISION DE ATRIBUTOS................................ ................................ . 23 4.4.1 Evaluamos Con ChiSquaredAttributeEval ChiSquaredAttributeEval Y Ranker ...................... 23 4.4.2 Evaluamos Con InfoGainAttributeEval InfoGainAttributeEval Y Ranker........................... 24 4.4.3 Evaluamos Con GainRatioAttributeEval GainRatioAttributeEval Y Ranker ......................... 25 4.5 CLAUSTER.............................. ................................ ............................ 26 4.6 CLASIFICACION CLASIFICACION................................ ................................ .................. 27 4.6.1 ARBOL J48 ............................................. ................................ ....... 27 4.6.2 ARBOL ID3 ............................................................................. ............................................. ................................ ....... 29 4.6.3 ARBOL RANDOMFOREST RANDOMFOREST................................ ............................ 30 5 CONLUCIONES............................. ................................ ............................ 32 6 REFERENCIAS ....................................... ........ ............................... ................................ .................. 35
2
MINI PROYECTO WEKA “The Insurance Company (TIC) Benchmark ” 1 INTRODUCCIÓN Para este caso se utilizara datos de una compañía de seguros publicados para una competencia de Data Mining “Sentient Machine Research” y que actualmente sirven como benchmark. Se quiere predecir si un cliente esta interesado en una póliza de seguro para un “Caravan” a partir de otros
datos sobre el cliente. El conjunto de entrenamiento contiene más de 5000 registros, incluida la información de si tienen o no tienes una póliza de seguros para una Caravan. El conjunto de prueba contiene 4000 clientes, de los cuales solo los organizadores sabían si tenían la póliza de seguro correspondiente. El problema a resolver es muy simple: ¿Podría decirme quién está interesado en comprar una póliza de seguros para una casa rodante (caravan) y explicarme por qué? Para resolver el problema se publicaron dos tablas de datos, una con 85 variables explicatorias acerca de quién compró o no una póliza póli za en el pasado. O sea, cada fila consiste de 85 variables independientes más otra variable dependiente que indica con 1 ó 0 si la persona compró o no (“CARAVAN: Number of mobile home policies”). La otra tabla es similar a la anterior excepto porque no contiene la variable que indica si la
persona compró la póliza o no. [1]
2 OBJETIVOS
Analizar y comprender los datos datos provistos para poder construir construir modelos de predicción. predicción. Escoger y determinar las técnicas o algoritmos de predicción, predicción, los cuales presenten presenten un desempeño óptimo en el caso. Establecer que clientes estarían interesados en comprar una póliza de seguro para la Caravan aplicando los objetivos mencionados anteriormente.
3 HERRAMIENTA Para realizar la implementación de los modelos predictivos se hara uso de la herramienta Weka en la versión 3.6.10, d ela cual se dara una breve reseña y tutorial básico de la misma.
3.1 WEKA 3.6.10 LA Weka (Gallirallus australis) es un ave endémica de Nueva Zelanda. Esta Gallinácea en peligro de extinción es famosa por su curiosidad y agresividad. De aspecto pardo y tamaño similar a una gallina las wekas se alimentan fundamentalmente de insectos y frutos. [2] Este ave da nombre a una extensa colección de algoritmos de Máquinas de conocimiento desarrollados por la universidad de Waikato (Nueva Zelanda) implementados en Java [1, 2]; útiles para ser aplicados sobre datos mediante los interfaces que ofrece o para embeberlos dentro de cualquier aplicación. [2] Además Weka contiene las herramientas necesarias para realizar transformaciones sobre los datos, tareas de clasificación, regresión, clustering, asociación y visualización.Weka está diseñado como una herramienta orientada a la extensibilidad por lo que añadir nuevas funcionalidades es una tarea sencilla. [2]
3
Sin embargo, y pese a todas las cualidades que Weka posee, tiene un gran defecto y éste es la es casa documentación orientada al usuario que tiene junto a una usabilidad bastante pobre, lo que la hace una herramienta díficil de comprender y manejar sin información adicional. Este manual tiene por objetivo explicar el funcionamiento básico de este programa y sentar unas bases para que el lector pueda ser autodidacta. [2] La licencia de Weka es GPL*, lo que significa que este programa es de libre distribución y difusión. Además, ya que Weka está programado en Java, es independiente de la arquitectura, ya que funciona en cualquier plataforma sobre la que h aya una máquina virtual Java disponible. [2]
3.2 USO BÁSICO DE LA HERRAMIENTA A continuación se mostraran los pasos básicos para poder realizar la importación de de los datos a la herramienta y así poder pasar al análisis de dichos datos. 3.2.1 IMPORTACIÓN DE LA BASE DE DATOS Este software cuenta con varias opciones al ejecutarlo y la que se utilizara para importar los datos es el botón “Explorer” el cual sirve para poder es coger la fuente de datos.
Fig. 1 Pantalla de inicio
Fig. 2 Escoger fuente de Datos
4
Luego de escoger la fuente de datos apareceran todos los atributos y datos que se utilizaran para realizar la prediccion del caso como se mostrara en la Fig. 3.
Fig. 3 Datos Cargados 4 ANÁLISIS DE LA INFORMACIÓN Ahora se realizará el análisis de la información para luego realizar los filtrados correspondientes dependiendo cual sea necesaria para poder realizar una c orrecta predicción, para lo cual antes se tomar a en cuenta algunas características principales de las personas que sean candidatas a poder adquirir un seguro para una “Caravan”, las cuales son: Familia Numerosa Políticas de contribución vehiculares Casa Rentada Ingresos
Con esto determinamos que no todas las variables sirven para predecir la clase que en este caso es Caravan.
Tomando en cuentas estas características esenciales pasaremos a consolidar las ideas en los datos. Si estuviéramos trabajando en un proyecto real con una compañía de seguros, la primera tabla de datos podría venir de una campaña de marketing realizada con una muestra de los clientes y la segunda tabla estaría formada por los clientes que no participaron en la campaña anterior. Con el propósito de minimizar los costos de la segunda campaña (la que se hará con la segunda lista de clientes), la oferta no será enviada a toda la lista de clientes, sino a aquellos 800 clientes con mayor probabilidad de que compren el seguro.
5
Así que los pasos a realizar en el proyecto serán:
Construir un modelo usando los datos de la primera tabla Aplicar el modelo a la segunda tabla para obtener una probabilidad de que el cliente compre el seguro Seleccionar los 800 clientes con mayor probabilidad
En un proyecto real se enviarían los folletos a estos 800 clientes con la esperanza que compraran la póliza un porcentaje similar al obtenido en las pruebas con la primera tabla. Pero en nuestro caso usaremos un dato que fue publicado luego que la competencia finalizó. Este dato fue la lista de los clientes pertenecientes a la segunda tabla y que compraron la póliza. Dicho de otro modo, nuestra segunda tabla contiene la variable a predecir. De este modo podremos probar el modelo y compararlo con los resultados obtenidos por los participantes de la competencia. [2]
En principio veremos si existe relación entre los atributos para ello visualizaremos los datos sin modificar, para darnos cuenta de dicha relación. Utilizando el atributo “Contribution-car-policies” como atributo de prueba podemos observar una íntima relación entre los datos pero al mismo tiempo una cierta cantidad de “outliners” los cuales tienes que ser filtrados en el siguiente paso.
Fig. 4. Visualizacion de la Relacion de Datos
6
4.1 SELECCIÓN DE UN GRUPO OPTIMO DE VARIALES Un score es un número que tiene asociada una probabilidad. Un score de riesgo de crédito indicará la probabilidad de falta de pago. En este caso, el score tendrá asociada la probabilidad de que el cliente compre la póliza de seguros. Para la elección correcta de los atributos que m ás información tiene asociada a la variable de predicción (86) se hará uso de una herramienta “Powerhouse”. [1]
Fig. 5. Logo Software PowerHouse Powerhouse tiene tres modelos que generan un score, el OPFIT, el MAXIT y el Scorecard. Para esta tarea podemos usar el modelo OPFIT o el Socrecard. [1] Comenzamos cargando los datos y definiendo CARAVAN como la variable a predecir (es la variable 86). Hay que tener en cuenta que no hace falta hacer ninguna preparación previa de los datos. Cuando los mismos son cargados en Powerhouse, quedan automáticamente preparados para que cada variable exponga al máximo la información que pueda contener acerca de la variable a predecir. Al terminar la carga y la preparación de los datos (esta preparación en realidad forma parte de algo más complejo que es un mapeo de información, pero para este ejercicio no hace falta considerar este tema), aparece una ventana de estadísticas que sirve para realizar un análisis exploratorio. [1]
Fig. 5. Carga y la preparación de los datos 7
La pantalla muestra una lista de todas las variables con varias columnas con información acerca de la misma. La parte inferior de la ventana muestra más detalles acerca de la variable que está seleccionada en ese momento. En un proyecto real esta información es muy útil para verificar si las variables contienen la información que se espera que tengan. El siguiente paso es seleccionar las variables más importantes. El modelo que vayamos a construir debe estar basado en unas pocas variables por varias razones:
Es más simple de entender Existe mayor probabilidad de que funcione correctamente con datos nuevos Se facilita la preparación de variables para el área de sistemas[1]
Tenemos a disposición 85 variables. ¿Cómo seleccionar un grupo óptimo de variables? La tarea no es simple debido a la explosión combinatoria que aparece si se desean probar todos los grupos posibles. Afortunadamente Powerhouse usa un método basado en la Teoría de la Información que le permite encontrar un grupo óptimo de variables en muy poco tiempo. La siguiente tabla muestra las variables seleccionadas
Fig.6 Variables seleccionadas Variables
47 PPERSAUT Contribution car policies 1 MOSTYPE Customer Subtype see L0 22 MBERMIDD Middle management 30 MHHUUR Rented house 59 PBRAND Contribution fire policies
Las variables aparecen en orden. O sea, PPERSAUT es la variable que mayor información aporta acerca de si el cliente comprará o no la póliza. La siguiente variable es la que mayor información adicional aporta., y así sucesivamente. Las 5 variables juntas aportan un 58% de la información necesaria para predecir sin errores si el cliente comprará o no la póliza. Powerhouse no continuó seleccionando más variables porque la siguiente variable no aportaría la suficiente información adicional para justificar la pérdida de representatividad de la muestra con la que se construirá el modelo. Dicho de otro modo, Powerhouse nos dice: " Para obtener un buen modelo que funcione tanto con datos del training set como con datos nuevos, éstas son las 5 variables recomendadas"[1] Vale la pena notar que las últimas dos variables parecen aportar más información que cada una del resto, tomadas por separado. O sea, la última variable aporta 58.11% - 36.90% = 21.21% de información adicional. De la misma manera, la variable anterior aporta 17.26%. Esto parece contradecir lo que se dijo anteriormente, que la primera variable es la que lleva la mayor cantidad de información posible. Pero esta contradicción es sólo aparente. Lo que está sucediendo es que las variables que van siendo agregadas están interactuando con las ya seleccionadas previamente, entonces la información que aportan es mayor que si las tomáramos aisladamente. 8
4.2 FILTRADO DE DATOS Luego de la selección de las variables más óptimas para el desarrollo de la predicción se realizara el filtrado de los datos en cada atributo de acuerdo a los criterios anteriormente mencionados y llegar así a la muestra requerida de los 800 clientes. 4.2.1 ELIMINACION DE LOS ATRIBUTOS NO SELECCIONADOS
En principio se Eliminaran todos los atributos que no sean necesarios para la predicción como se muestra en las siguientes figuras para lo cual se utilizara “Remove”.
Fig. 7. Eliminacion de los Atributos sin importancia
9
Fig. 8. Atributos Seleccionados
4.2.2 FILTRADO DE DATOS DE LOS ATRIBUTOS ESCOGIDOS
Ahora procederemos a realizar la limpieza de datos de cada uno de nuestros atributos, empezaremos con: 4.2.2.1
“Customer – Subtype” Utilizando RemoveWithValues como se mostrara en la siguiente figura. Primero se eliminaran los datos del 2,4,5,6,7,8,9,10,11,12,13,14,15,16,17,19,21,23,24,25,27,28, 29,30,32,34 por ser datos que no encajarían en el perfil.
10
Fig. 9. Cuadro de Datos
11
Fig.10. Filtados de Datos 1 Luego del Filtrado asi quedaría el primer Atributo
Fig.11. Resultado del Filtrado Customer – Subtype 12
4.2.2.2
“Middle – Management” Utilizando RemoveWithValues como se mostrara en la siguiente figura. Como estos datos estan representados en porcentajes el criterio que se t omara para filtrar los datos sera el de menos porcentaje ya que no aporta lo necesario para considerarlo como un dato importante.
Fig.12. Datos sin filtrar Middle-Management
13
Fig.13. Filtado de datos 2 Luego del Filtrado así quedaría el primer Atributo:
Fig. 14. Resultado del Filtrado Middle-Management 14
4.2.2.3
Rented – House Utilizando RemoveWithValues como se mostrara en la siguiente figura. Como estos datos estan representados en porcentajes el criterio que se tomara para filtrar los datos sera el de menos porcentaje ya que no aporta lo necesario para considerarlo como un dato importante.
Fig. 15. Datos sin filtrar Rented-House
15
Fig.16. Filtrado Rented-House
Fig.17. Resultado del Filtrado Rented -House 16
4.2.2.4
Contribution-car-policies Utilizando RemoveWithValues como se mostrara en la siguiente figura. En este caso para el filtrado tomaremos en cuenta el hecho de que varios datos se encuentran en 0 y en un caso es de 9, entonces no son relevantes para la predicion y se eliminaran.
Fig. 18. Datos sin filtrar Contribution-car-policies
17
Fig. 19. Filtrado Contribution-car-policies
Fig. 20. Resultado del Filtrado Contribution-car-policies 18
4.2.2.5
Contribution-fire-policies Utilizando RemoveWithValues como se mostrara en la siguiente figura. En este caso para el filtrado tomaremos en cuenta el hecho de que varios datos se encuentran en 0 o tienes valores muy bajos, siendo asi que no afectarian en la predicion y se procedera a eliminarlos.
Fig. 21. Datos sin filtrar Contribution-fire-policies
19
Fig. 22. Filtrado Contribution-fire-policies
Fig. 23. Resultado del Filtrado Contribution-fire-policies 20
4.3 EQUIPARAR CLASES El atributo caravan es el que se debe determinar, y para este atributo usara el clasificador. Podemos notar que está bastante descompensado, por probabilidades el algoritmo siempre considera al mayor. Recordar que este análisis lo hacemos debido a que es el atributo que determina la predicción. Entonces utilizaremos el filtro “Resample” para equilibrar los datos de la siguiente maner a. [2]
Fig. 23 Representacion del Desequilibrio de datos
21
Fig. 24. Configuracion Resample
Fig. 25 Resultado del Resample 22
Entonces al equilibrar los datos da un resultado de: NO = 399 SI = 416
4.4 REVISION DE ATRIBUTOS Para este paso se utilizara el “Tab Select Attributes” el cual determina la relevancia de los atributos. Vamos a evaluar la correlación de todos los atributos con el Atributo caravan. [3] 4.4.1 Evaluamos Con ChiSquaredAttributeEval Y Ranker
Fig. 26. Evaluacion CSAE con R Datos Relevantes: Contribution-car-policies: 159.28 Rented-House:45.06
No se encuentran muy cercanos.
23
4.4.2 Evaluamos Con InfoGainAttributeEval Y Ranker
Fig. 27. Evaluacion IGAE con R Datos Relevantes:
Contribution-car-policies: 0.1482 Rented-House: 0.04044
No se encuentran muy cercanos.
24
4.4.3 Evaluamos Con GainRatioAttributeEval Y Ranker
Fig. 28. Evaluacion GRAE con R Datos Relevantes:
Contribution-car-policies: 0.12063 Customer - Subtype: 0.1683
No se encuentran muy cercanos. Si observamos en los tres, los atributos Contribution-car-policies y Rented-House casi siempre estan en los primeros con Custonme-Subtype pero no tienen mucha cercania entre ellos eso kiere debir que no estan muy relacionados, por lo cual no es necesario eliminar ninguno.
25
4.5 CLAUSTER Pulsando la tercera pestaña, llamada Cluster, en la parte superior de la ventana accedemos a la sección dedicada al clustering. El funcionamiento es muy similar al de clasificación: se elije un método de clustering , se selecciona las opciones pertinentes y con el botón Start empieza el funcionamiento. Una opción propia de este apartado es la posibilidad de ver de una forma gráfica la asignación de las muestras en clusters. Esto se puede conseguir activando la opción Store cluster for evaluation , ejecutando el experimento y seguidamente, en la lista de resultados, pulsando el botón secundario sobre el experimento en cuestión y marcando la opción Visualize cluster assignments con esto obtendremos una ventana similar a las del modo explorador para mostrar gráficas en el que nos mostrará el clustering realizado. [3]
Fig. .Claustering Como se puede observar de acuerdo a las atributos y el total de los datos realiza unca clasificacion o agrupamiento deacuerdo a la variable Claa: Caravan, dando un cierto acercameinto a la prediccion.
26
4.6 CLASIFICACION Para poder realizar una clasificación se necesita aplicar técnicas o algoritmos en los cuales por medio de la matriz de confusión se logre determinar la calidad y presencia de los datos. En este caso utilizaremos los siguientes algoritmos: 4.6.1 ARBOL J48
Es un algoritmo de inducción que genera una estructura de reglas o árbol a partir de subconjuntos (ventanas) de casos extraídos del conjunto total de datos de “entrenamiento”. [3]
En este sentido, su forma de procesar los datos es parecido al de Id3. El algoritmo genera una estructura de reglas y evalúa su “bondad” usando criterios que miden la precisión en la clasificación
de los casos. Emplea dos criterios principales para dirigir el proceso dados por [10]:1. [3]
Calcula el valor de la información proporcionada por una regla candidata (o rama del árbol), con una rutina que se llama “info”.2. Calcula la mejora global que proporciona una regla/rama usando una
rutina que se llama gain (beneficio). [3] Para trabajar con este algoritmo se realizara la siguiente configuración.
Fig. 29. Configuracion J48 27
minNumObj = 2(número de hijos), para árbol más pequeño. Se utilizará la opción de testeo Cross-‐validation. El atributo será CARAVAN.
Fig. 30. Configuracion J48 Como se ve en la imagen la matriz de confusión en su diagonal de izquierda a derecha y de arriba abajo muestra datos mayores que sus opuestos, en este caso resulto de esta manera:
De la Class A (0) fueron 99 los que no se clasificaron correctamente y 300 que si lo hicieron De la Class B (1) fueron 35 los que no se clasificaron correctamente y 381 que si lo hicieron
Y eso es un indicador de que los datos están relacionados de manera óptima para la predicción. Podemos ver: Correctly Classified Instances = 83.5583 % (eficiencia) TP Rate (true positive) es alta para ambas clases. Precisión es alta para ambas clases.
28
Fig. 31. Arbol J48 4.6.2 ARBOL ID3
El ID3 es capaz de tratar con atributos cuyos valores sean discretos o continuos. En el primer caso, el árbol de decisión generado tendrá tantas ramas como valores posibles tome el atributo. [3] Si los valores del atributo son continuos, el ID3 no clasifica correctamente los ejemplos dados. Por ello, se propuso el C4.5, como extensión del ID3. [3] ID3 es un algoritmo iterativo que elige al azar unsubconjunto de datos a partir del conjunto de datos de “entrenamiento” yconstruye un árbol de decisión a partir de ello. El árbol debe clasificar deforma
correcta a todos los casos de entrenamiento. [3]
Fig. 32. Datos de Salida ID3 29
Como se ve en la imagen la matriz de confusión en su diagonal de izquierda a derecha y de arriba abajo muestra datos mayores que sus opuestos, en este caso resulto de esta manera: De la Class A (0) fueron 73 los que no se clasificaron correctamente y 311 que si lo hicieron De la Class B (1) fueron 16 los que no se clasificaron correctamente y 400 que si lo hicieron
Y eso es un indicador de que los datos están relacionados de manera óptima para la predicción. Podemos ver: Correctly Classified Instances = 87.2393% (eficiencia) TP Rate (true positive) es alta para ambas clases. Precisión es alta para ambas clases.
Fig. 33.Margen de la Curva 4.6.3 ARBOL RANDOMFOREST
Este algoritmo presenta las siguientes características: Corre eficientemente sobre grandes bases de datos Puede manejar cientos de variables de entrada sin eliminación de otras variables. Esto da las estimaciones para saber que variables son importantes en la clasificación. Es un método eficaz para estimar datos perdidos y mantiene la exactitud de cuándo una proporción grande de los datos falla. Los árboles generados pueden ser salvados de un uso futuro sobre otros datos. Los prototipos son calculados ya que dan información acerca de la relación entre las variables y las clasificaciones. Ofrece un método experimental para detectar interacciones entre variables. [3]
30
Fig. 34. Datos de Salida RandomForest Como se ve en la imagen la matriz de confusión en su diagonal de izquierda a derecha y de arriba abajo muestra datos mayores que sus opuestos, en este caso resulto de esta manera:
De la Class A (0) fueron 79 los que no se clasificaron correctamente y 320 que si lo hicieron De la Class B (1) fueron 14 los que no se clasificaron correctamente y 402 que si lo hicieron
Podemos ver: Correctly Classified Instances = 88.589% (eficiencia) TP Rate (true positive) es alta para ambas clases. Precision es alta para ambas clases.
31
Fig. 35. Marguen de la curva
Tomando en cuenta los resultados optenidos en la Clasificacion el arbol con mayor porcentaje de instancias correctas y el menor numero de datos sin clasificar fue “RandomForest” dando un resultado mucho mas
cercano al de los interesados (416).
4.7 PUNTO A CONSIDERAR
El problema original nos pide elegir los 800 clientes entre 4.000 con mayor probabilidad de comprar una póliza, o sea, el 20%. Del gráfico de obtenido al utilizar el “Resample” podemos notar que del 20% de los clientes seleccionados con el modelo contiene aproximadamente un 50% d e compradores de póliza. Los datos de la primera tabla muestran que un 5.72% de los clientes compraron la póliza (este dato sale de la distribución de la variable a predecir). Por lo tanto podemos estimar la cantidad de clientes que comprarán la póliza en la segunda tabla. Debe ser 5.72% de 4.000 ó lo que es lo mismo, 229 clientes. Así que en base a estos cálculos deberíamos esperar que el modelo seleccione aproximadamente un 50% de 229, o sea unos 114 clientes aproximadamente.
Si aplicamos este criterio tendríamos que realizar el Resample dos veces más a los 800 clientes, con el porcentaje a un 50 % para poder aproximarnos al resultado esperado.
32
2DO RESAMPLE
Fig. 35. Configuracion del Nuevo Resample
Fig. 36. Resultado del 2do Resample Como se Observa el class “Caravan” desminuyo en un 50%, pero la idea es que se acerque mas a la prediccion planteada. 33
3ER RESAMPLE
Fig. 37. Configuracion 3er Resample
Fig. 38. Resultado del 3er Resample Como se observa el class “Caravan” se acercó mucho a las predicción de los 114 lo cual indica un buen filtrado al obtener como resultado 109 posibles compradores para la póliza. 34
