XLSTAT: Árbol de clasificación CRT en Excel

 

Conjunto de datos del ejemplo

Este conjunto de datos, del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales (National Institute of Diabetes and Digestive and Kidney Diseases), tiene como objetivo predecir el diagnóstico de diabetes en pacientes femeninas de origen Pima, de 21 años o más. Incluye variables médicas predictoras como embarazos, IMC (índice de masa corporal), nivel de insulina, edad, y la variable objetivo Resultado (Outcome).

 

Configuración

• Abre XLSTAT.

• Haz clic en el menú Predecir automatizar/Aprendizaje automático y selecciona la opción Árboles de clasificación y regresión

• Después de hacer clic en el botón, aparecerá el cuadro de diálogo Regression Trees.

En la pestaña General:

• Selecciona la variable dependiente cualitativa: Diabetes (Sí = diabético, No = no diabético).

• Selecciona todas las demás variables como variables explicativas cuantitativas.

• Elige el algoritmo C&RT para construir el árbol.

• Marca la opción Variable labels para usar los nombres de las variables desde la primera fila.

  

En la pestaña Opciones:

• Establece la profundidad máxima del árbol en 3 para limitar la complejidad.

• Fija el parámetro de complejidad (CP) en 0.001, de modo que el árbol solo crezca si la impureza se reduce al menos por este factor.

• Hay opciones técnicas adicionales disponibles para controlar la construcción del árbol.

  

En la pestaña Gráficos:

• Selecciona la opción Bar charts (Gráficos de barras) para mostrar la distribución de las clases en cada nodo.

Haz clic en el botón OK para iniciar los cálculos.

Los resultados se muestran en una nueva hoja de Excel.

 

Interpretación de los resultados

Primero se muestran las estadísticas descriptivas y la matriz de correlaciones, seguidas de la matriz de confusión, que muestra los resultados de reclasificación. El porcentaje de observaciones correctamente clasificadas es 77.3%.

Para cada nodo, la estructura del árbol muestra: número de objetos, porcentaje del total, mejora (tamaño del nodo × reducción de impureza), pureza (% de la clase dominante), nodos padre e hijo, variable de división con su(s) valor(es), y la clase predicha.

La tabla también lista las reglas generadas por el algoritmo en lenguaje natural. Cada nodo muestra la regla para la clase predicha y el porcentaje de observaciones que pertenecen a esa clase en ese nodo.

Por ejemplo, la regla "Si Glucosa ≤ 127.5 entonces Diabetes = No" se aplica a 485 observaciones (63% del conjunto de datos) con una pureza del nodo del 80.6%, tal como se muestra en la estructura del árbol.
El siguiente resultado muestra parte del árbol de clasificación.

Este diagrama muestra cómo el algoritmo C&RT identifica sucesivamente las mejores variables para dividir las categorías de la variable dependiente. El proceso se detiene cuando no son posibles más divisiones o cuando se alcanzan los límites definidos por el usuario (por ejemplo, tamaño mínimo del nodo, profundidad máxima del árbol o umbral de CP).

XLSTAT también ofrece una visualización alternativa en gráfico circular (pie chart), que resulta más clara cuando el árbol tiene muchos nodos o categorías.