XLSTAT: Clasificación bosque aleatorio en Excel

 

Conjunto de datos del ejemplo

El conjunto de datos se extrae de la competencia de Machine Learning titulada “Titanic: Machine Learning from Disaster” en Kaggle, la reconocida plataforma de ciencia de datos.

Este conjunto hace referencia 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.

El conjunto de datos puede consultarse en dicha dirección. Incluye una lista de 1,309 pasajeros junto con sus características:

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

• pclass: Clase del pasajero (1 = 1ª; 2 = 2ª; 3 = 3ª)

• name: Nombre

• sex: Género (male = hombre; female = mujer)

• age: Edad

• sibsp: Número de hermanos/esposos a bordo

• parch: Número de padres/hijos a bordo

• fare: Tarifa pagada por el pasajero

• cabin: Cabina

• embarked: Puerto de embarque (C = Cherbourg; Q = Queenstown; S = Southampton)

En este ejemplo, configuraremos y entrenaremos un clasificador Random Forest utilizando el conjunto de datos del Titanic.

 

Configuración

• Abre XLSTAT.

• Haz clic en el menú Machine Learning y selecciona la opción Bosques aleatorios de clasificación y regresión.

  

• Aparecerá el cuadro de diálogo de Random Forest.

Pestaña General:

• En el campo Variable de respuesta, selecciona la variable ppclass (columna B).
  Esta variable representa la clase de los pasajeros, por lo tanto, el tipo de respuesta aquí es Cualitativo.

• Selecciona las columnas E a H como variables explicativas cuantitativas y el resto de las columnas como cualitativas.

• Como los nombres de las variables se encuentran en la primera fila del conjunto de datos, activa la opción Etiquetas de variables.

• Finalmente, selecciona los nombres de los pasajeros (columna C) como etiquetas de las observaciones.

Pestaña Opciones:

• Configura los parámetros del clasificador de la siguiente manera: selecciona el método Bagging para construir los árboles.

Pestaña Datos perdidos:

• Dado que el conjunto de datos contiene valores faltantes, selecciona la opción eliminar las observaciones incompletas.

Pestaña Gráficos:

• Activa la opción OOB error evolution para mostrar la evolución del error Out-Of-Bag (OOB) en función del número de árboles generados.

• Haz clic en OK para ejecutar los cálculos.

• Los resultados aparecerán en una nueva hoja de Excel.

 

Interpretación de los resultados

El primer resultado mostrado es la tasa de error OOB del modelo Random Forest.
Esta representa el error promedio de clasificación cometido en cada muestra fuera de bolsa (Out-Of-Bag) del conjunto de entrenamiento.
Una muestra OOB está formada por todas las observaciones que no fueron seleccionadas para construir un árbol determinado.
(Puedes consultar más detalles en el menú de Ayuda).

La siguiente tabla muestra la matriz de confusión, la cual indica qué tan bien se desempeñó el clasificador (predicciones basadas en los datos OOB).
En este caso, 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 ésta se encuentra fuera de bolsa, junto con la probabilidad de pertenecer a cada categoría de la variable de respuesta.
También se muestra el número de veces que cada observación fue “out-of-bag” (y, por lo tanto, utilizada para calcular la estimación del error OOB).

El último gráfico presenta la evolución de las tasas de error OOB en función del número de árboles generados.