XLSTAT: Clasificador de Bosque Aleatorio

 

Datos para el análisis

El conjunto de datos utilizado en este análisis se extrae de la competencia de aprendizaje automático titulada "Titanic: Machine Learning from Disaster" en Kaggle , la famosa plataforma de ciencia de datos. Se refiere al transatlántico Titanic que se hundió en 1912. Durante esta tragedia, más de 1.500 de los 2.224 pasajeros perdieron la vida debido a un número insuficiente de botes salvavidas.

Se puede acceder al conjunto de datos en esta dirección . Incluye una lista de 1309 pasajeros y sus características. Estas son:

• sobrevivió: Supervivencia (0 = No; 1 = Sí)

• pclass: Clase de Pasajero (1 = 1º; 2 = 2º; 3 = 3º)

• nombre: Nombre

• sexo: Género (masculino; femenino)

• edad: Edad

• sibsp: Número de hermanos/cónyuges a bordo

• parch: Número de padres/hijos a bordo

• Tarifa: Tarifa de Pasajero

• Cabaña: Cabaña

• Embarcado: Puerto de embarque (C = Cherburgo; Q = Queenstown; S = Southampton)

El objetivo aquí es configurar y entrenar un clasificador Random Forest en el conjunto de datos del Titanic.

Configuración

Una vez abierto XLSTAT, seleccione el comando XLSTAT/ Machine Learning/Random Forest Classifier and Regressor como se muestra a continuación:

 
Aparece el cuadro de diálogo Bosque aleatorio:

 
Seleccione la variable **ppclass (columna B) en el campo Variable de respuesta . La variable ppclass representa la clase de los pasajeros, por lo que el tipo de respuesta aquí es cualitativo.

Luego, seleccione las columnas EH como variables explicativas cuantitativas y el resto de columnas como cualitativas .

Los nombres de las variables se proporcionan en la primera fila del conjunto de datos, por lo que seleccionamos las etiquetas de las variables .
Por último, seleccionamos los nombres de los pasajeros (columna C) como etiquetas de las observaciones .

En la pestaña Opciones , configure los parámetros del clasificador de la siguiente manera:

 
Aquí elegimos utilizar el método Bagging para construir los árboles.

El conjunto de datos incluye valores faltantes, por lo que decidimos eliminar estas observaciones en la pestaña Datos faltantes .

En la pestaña Salidas , seleccione las siguientes salidas:

 
En la pestaña Gráficos , activa la opción Evolución del error OOB para visualizar la evolución del error OOB (Out Of Bag) según el número de árboles construidos.
Los cálculos comienzan una vez que has hecho clic en Aceptar .

Interpretación de los resultados

El primer resultado es la tasa de error OOB del bosque aleatorio. Corresponde al error de clasificación promedio cometido en cada muestra OOB del conjunto de entrenamiento. Llamamos muestra OOB a la muestra compuesta por todas las observaciones Out-Of-Bag. Hay más detalles disponibles en el menú Ayuda.

 
La siguiente tabla muestra la matriz de confusión. Esa matriz nos indica el rendimiento de nuestro clasificador (predicciones basadas en datos Out-Of-Bag). Aquí, el algoritmo predijo correctamente el 95,01 % de las clases observadas.

La segunda tabla muestra la clase predicha para cada observación del conjunto de entrenamiento cuando este último está fuera de la bolsa y la probabilidad de pertenecer a la categoría diferente de la variable de respuesta. También se muestra la cantidad de veces que las observaciones están fuera de la bolsa (y, por lo tanto, se utilizan para calcular la estimación del error fuera de la bolsa):

El último gráfico presenta la evolución de las tasas de error OOB según el número de árboles.

Yendo más allá:

¡Haga clic aquí para consultar nuestro análisis sobre regresión de bosque aleatorio usando XLSTAT!