Monografico. Arboles de decisión con party

Data Mining, Formación, Modelos, R

Los árboles de clasificación son una de las técnicas de análisis más utilizadas. No requieren supuestos distribucionales, permite detectar interacciones entre variables y no es muy sensible a la presencia de valores perdidos y outliers. En resumen, es una técnica que no quita mucho tiempo al analista para hacer consultas carentes de valor para sus responsables y permite identificar tanto perfiles positivos como perfiles negativos. Además, sus resultados son muy fáciles de interpretar. Tan fáciles que, INCLUSO , las áreas de negocio pueden entender sus resultados. Por todo esto estamos ante una de las técnicas más extendidas. En el blog ya hicimos un breve monográfico con rpart de R y nos quedaba realizar una revisión al paquete party. La metodología para esta rápida revisión será la habitual, planteamos un ejemplo y realizamos un análisis con las instrucciones de party.

Al igual que no hicimos para el monográfico de Rpart simulamos la cartera de un banco con 20.000 clientes. Deseamos establecer perfiles de clientes propensos a contratar un plan vitalicio de pensión inmediata, las variables con las que contamos son:

  • El saldo en vista
  • El máximo saldo en planes de pensiones individuales en los últimos 3 años
  • El saldo en fondos
  • La edad del cliente
clientes=20000

saldo_vista=runif(clientes,0,1)*10000

saldo_ppi=(runif(clientes,0.1,0.2)*rpois(clientes,1))*100000

saldo_fondos=(runif(clientes,0.1,0.9)*(rpois(clientes,1)-1>0))*100000

edad=rpois(clientes,60)

datos_ini<-data.frame(cbind(saldo_vista,saldo_ppi,saldo_fondos,edad))

datos_inisaldo_ppi=(edad<=68)*datos_inisaldo_ppi

#Creamos la variable objetivo a partir de un potencial

datos_inipotencial=runif(1,0,1)+

(log(edad)/(log(68))/100) +

runif(1,0,0.001)*(saldo_vista>5000)+

runif(1,0,0.001)*(saldo_fondos>10000)+

runif(1,0,0.007)*(saldo_ppi>10000)-

runif(1,0,0.2)

datos_inipvi=as.factor((datos_inipotencial>=quantile(datos_inipotencial,

0.90))*1)

Por supuesto cualquier parecido de estos clientes con la realidad es pura ficción. Cargamos la librería, ejecutamos el modelo con la función ctree y creamos un archivo jpeg con la representación gráfica del mismo:

library(party)

arbol=ctree(pvi~saldo_vista+saldo_ppi+saldo_fondos+edad,data=datos_ini)

jpeg('C:/arbol.jpg', quality = 100, bg = "white", res = 100, width=2500, height=768)

plot(arbol);text(arbol)

dev.off()

Particularmente gusto de hacer gráficas de árboles mucho «más anchas que largas», por ello genero un archivo jpeg de 2500×768, de este modo podemos ver bien la representación del árbol. Exploremos mejor los nodos generados con party :

arbol

table(where(arbol))

datos_ini=cbind(datos_ini,nodos=(where(arbol)))

summary(datos_ini)

table(datos_ininodos,datos_inipvi)

nodes(arbol,c(4,7)) #obtenemos los nodos que nos interesan

Prefiero rpart para estos análisis pero no negaréis que la representación gráfica de los árboles es muy interesante, además party nos permite emplear el algoritmo MOB (Multilevel Orthogonal Block) que veremos otro día, si termino de entender como funciona…