-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathTecnicasML.Rmd
2671 lines (2327 loc) · 88.6 KB
/
TecnicasML.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: |
<h3 style="font-weight: 900; text-align: center; font-size: 15pt;">Técnicas de Machine Learning</h3> <br>
<h4 style="font-style: italic; font-weight: 500">Alessio Crisafulli Carpani </h4>
author: alecrisa@ucm.es
output:
rmdformats::robobook:
code_download: true
self_contained: false
number_sections: true
highlight: tango
keep_md: false
toc_depth: 2
fig_caption: yes
lightbox: true
bibliography: files/knitcitations.bib
csl: files/thesis.csl
nocite: |
@*
citation_package: natbib
link-citations: yes
linkcolor: red
urlcolor: cyan
citecolor: blue
css: files/stesura/style.css
includes:
before_body: files/stesura/logo.html
after_body: files/stesura/footer.html
---
```{r setup, include=FALSE}
options(digits = 3)
knitr::opts_chunk$set(
dpi = 200,
echo = TRUE,
warning = FALSE,
message = FALSE,
tidy = TRUE,
comment = "r >",
digits = 3)
#knitr::write_bib(x=c("caret","ggplot2","rpart", "e1071", "randomForest", "gbm", "xgboost", "doParallel", "adabag", "caretEnsemble", "pROC"),
# file = "files/stesura/knitcitations.bib")
load("Workspace.RData")
pacman::p_load(tidyverse, magrittr, caret, rpart, randomForest, gbm, xgboost, kableExtra, pROC, doParallel, tictoc)
data = read_csv("IBM-HR.csv",
col_types = cols(
Attrition = col_factor(),
Gender = col_factor(),
EducationField = col_factor(),
MaritalStatus = col_factor(),
JobRole = col_factor(),
BusinessTravel = col_factor(),
Department = col_factor(),
Education = col_factor(),
EducationField = col_factor(),
OverTime = col_factor()))
Categorical.Variables <- names(Filter(is.factor, data %>% select(-Attrition)))
Numeric.Variables <- names(Filter(is.numeric, data))
```
<h5 style="font-style: italic; font-weight: 400;">
Máster en Minería de Datos e Inteligencia de Negocios
</h5>
<h5 style="font-style: italic; font-weight: 400;">
Técnicas de Machine Learning
</h5>
<hr style="border-top: 3px solid #bbb; border-radius: 5px;">
::: {.row}
::: {.col-md-4}
Este trabajo está orientado a predecir una variable binaria o continua a través de diferentes algoritmos de clasificación o estimación relaccionados con árboles y otros.
En este caso, he querido explorar un dataset de *RRHH* desarollado por **IBM**. Es posible descargarlo aquí:
```{r download, echo=FALSE}
suppressPackageStartupMessages(library(downloadthis))
data %>% download_this(
output_name = "Dataset",
output_extension = ".csv",
button_label = "Descargar Data as CSV",
button_type = "default",
has_icon = TRUE,
icon = "fa fa-save")
```
:::
::: {.col-md-4}
El objetivo de este informe es predecir el índice de deserción de los empleados, identificando también las causas que más lo influencian.
Este es un conjunto de datos *ficticio* creado por científicos de datos. Por esta razón espero métricas de los modelos elevadas
:::
::: {.col-md-4}
[](https://www.kaggle.com/pavansubhasht/ibm-hr-analytics-attrition-dataset)
:::
:::
# Abstracto {-}
A lo largo de esta análisis, he analizado el conjunto de datos **IBM Employee Attrition** para explorar las causas principales de la deserción en una empresa. Primero, a través de un análisis exploratorio, me he asegurado que los datos esteban limpios.
En esta etapa, me dí cuenta que los datos tenían un problema de desbalanceo entre las clases de la variable dependiente, para arreglar este problema he ampliado la muestra de la clase menor.
Una vez que los datos estaban listos, he empezado la modelización del **árbol de decisión**, **bagging**, **random forest**, **gradient boosting machine (GBM)** y **extreme gradient boosting machine (XGBM)**. Para cada técnica, mi flujo de trabajo ha sido lo siguiente:
1. Tunear los parámetros de cada modelo, con la función `train` del paquete `caret`, empleando un bucle cuando la función no permite el control de unos parámetros y utilizando *computación paralela* sobre tres procesadores.
2. Entender el andamiento del ajuste para los distintos parámetros tuneados a través unos gráficos.
- Además para el bagging y random forest he visualizado el *error de out-of-bag*, para entender el andamiento a medida que aumentaban las interacciones de los árboles. A través este gráfico he podido reducir la complejidad de mi modelo final.
Después haber elegido los parámetros mejores, he ajustado el modelo final, visualizando la *matriz de confusión* y las *variables más influyentes* para cada modelo.
Una vez ajustadas las técnicas de árboles, he ajustado otra vez los modelos con *validación cruzada repetida* esta vez, para comparar las respectivas *tasa de fallo* y la *área abajo la curva ROC*, a través de un grafo de caja y bigote incluyendo como modelo de referencia una *regresión logística*.
Una vez encontrado el modelo ganador, he decidido crear un grafo de barras apiladas para obtener las variables más influyentes según los distintos modelos. A partir de estas, he creado un nuevo conjunto *entrenamiento/test*, con el cual voy a realizar otras técnicas de aprendizaje automático:
- **Support Vector Machines**, con kernel:
- *Lineal*
- *Polynomial*
- *Radial*
- **Bagging** del SVM Lineal
- **Boosting**
- **Stacking** de:
- *Gradient Boosting Machine*
- *SVM Radial*
- *XGBoost*
***
# Descripción de los datos
- **El conjunto de datos**: 1470 observaciones, 35 variables.
- **Tipo de variables**: Tenemos ambos variables categorícas y numerícas. La variable objecto de ínteres, *Attrition*, es una variable binaria que toma valores *Yes* o *No*, dependiendo si el empleado se ha marchado de la impresa.
Unas columnas están en escala 1-5, dale al nombre de la columna marcada en <u style="text-decoration-color:red"> rojo </u> para visualizar un popup con la descripción.
```{r table, echo=FALSE}
library(htmltools)
library(reactable)
library(tippy)
with_tooltip <- function(value, tooltip, ...){
div(style = "
text-decoration: underline;
text-decoration-color: red;
cursor: help",
tippy(value, tooltip, ...))
}
reactable(
data %>% select(Gender, Education, MonthlyIncome,everything()),
# Variables Groups----------------------------------------
# We define how we are going to group the informations on the data with the name of the group and the columns within the group
columnGroups = list(
colGroup(
name = "Demográficas",
columns = c("Age","Gender","Education", "EducationField", "MaritalStatus", "DistanceFromHome")),
colGroup(
name = "Posicion",
columns = c("Department","JobRole","JobLevel","HourlyRate","DailyRate", "BusinessTravel")),
colGroup(
name = "Encuesta Satisfaccion",
columns = c("JobInvolvement", "EnvironmentSatisfaction", "JobSatisfaction", "WorkLifeBalance", "RelationshipSatisfaction")),
colGroup(
name = "Empresa",
columns = c("PerformanceRating","PercentSalaryHike","YearsAtCompany", "YearsInCurrentRole", "YearsSinceLastPromotion", "NumCompaniesWorked", "YearsWithCurrManager", "TotalWorkingYears","TrainingTimesLastYear"))
),
# The Factor Groupin ------------------------------------
groupBy = "Attrition",
defaultExpanded = T, #expand levels?
# Column Specifications ---------------------------------
defaultColDef = colDef(minWidth = 90,
maxWidth = 280),
columns = list(
RelationshipSatisfaction = colDef(header = with_tooltip("RelationshipSatisfaction",
"<span style='font-size:16px;'>
<ol><li>Low</li>
<li>Medium</li>
<li>High</li>
<li>Very High</li>
</ol></span>")),
JobSatisfaction = colDef(header = with_tooltip("JobSatisfaction",
"<span style='font-size:16px;'>
<ol><li>Low</li>
<li>Medium</li>
<li>High</li>
<li>Very High</li>
</ol></span>")),
JobInvolvement = colDef(header = with_tooltip("JobInvolvement",
"<span style='font-size:16px;'>
<ol><li>Low</li>
<li>Medium</li>
<li>High</li>
<li>Very High</li>
</ol></span>")),
EnvironmentSatisfaction = colDef(header = with_tooltip("EnvironmentSatisfaction",
"<span style='font-size:16px;'>
<ol><li>Low</li>
<li>Medium</li>
<li>High</li>
<li>Very High</li>
</ol></span>")),
WorkLifeBalance = colDef(header = with_tooltip("WorkLifeBalance",
"<span style='font-size:16px;'>
<ol><li>Bad</li>
<li>Good</li>
<li>Better</li>
<li>Best</li>
</ol></span>")),
PerformanceRating = colDef(header = with_tooltip("PerformanceRating",
"<span style='font-size:16px;'>
<ol><li>Low</li>
<li>Good</li>
<li>Excellent</li>
<li>Outstanding</li>
</ol></span>")),
Department = colDef(header = with_tooltip("Department", "<span style='font-size:16px;'> Working Department Area </span>")),
Education = colDef(header = with_tooltip("Education",
"<span style='font-size:16px;'>
<ol><li>Below College</li>
<li>College</li>
<li>Bachelor</li>
<li>Master</li>
<li>Doctor</li>
</ol></span>"))
),
# Design&Style------------------------------------------
height = 500,
style = list(
fontFamily = "Lato, sans-serif",
fontSize = "16px"),
highlight = TRUE, outlined = TRUE,
striped = TRUE, compact = TRUE,
fullWidth = TRUE, wrap = TRUE,
theme = reactableTheme(
tableBodyStyle = list(flex = "auto"),
borderColor = "#dfe2e5",
stripedColor = "#f6f8fa",
highlightColor = "#f0f5f9",
cellPadding = "8px 12px",
style = list(
fontFamily = "-apple-system, BlinkMacSystemFont, Segoe UI, Helvetica, Arial, sans-serif"),
headerStyle = list(
"&:hover[aria-sort]" = list(
background = "hsl(0, 0%, 96%)"),
"&[aria-sort='ascending'], &[aria-sort='descending']" = list(
background = "hsl(0, 0%, 96%)"),
borderColor = "#555")
),
rowStyle = JS("function(rowInfo){
if (rowInfo.level > 0) {
return { background: '#eee',
borderLeft: '2.5px solid #2E45B8'}
} else {
return { borderLeft: '2px solid transparent'}
}
}"),
)
```
<br>
```{r}
as.data.frame(cbind('Variable'=names(data), 'Description'= c(
"Edad",
"Si ha dejado la empresa o no",
"Si viaja raramente, poco, mucho por trabajo",
"Salario diarío",
"El departamiento de la empresa",
"Cuanto está lejo de su casa",
"Nivel de Education",
"Numero de empleado",
"ID",
"Satisfacción entorno",
"Género",
"Salario por hora",
"Participación en el trabajo",
"Nivel de trabajo",
"Rol trabajo",
"Satisfacción al trabajo",
"Estado civil",
"Salario bruto mensual",
"Tasa mensual",
"Con cuantas empresas ha trabajado",
"Si es mayor de 18 años",
"Si trabaja más del normal",
"Porcentaje aumento salario",
"Calificación de desempeño",
"Satisfacción de la relación",
"Horas estandar de trabajo",
"Retribuciones",
"Total años de trabajo",
"Cuantas veces ha hecho formación el año pasado",
"Balnceo entre vida y trabajo",
"Años en la empresa",
"Años en este rol",
"Años desde ultima promocción",
"Años con manager actual"
))) %>%
kable(format = "html", align = c(rep("l", 2))) %>%
row_spec(0, font_size = 14) %>%
column_spec(1, bold = T)
```
<br>
<div style="background-color:#D6DBF5; border-radius: 10px; padding: 20px;">
**Desbalanceo entre los datos**: 1237 (84% de los casos) empleados no han dejado la empresa, mientras 237 (16% of casos) lo han hecho. Este desbalanceo tiene que ser ajustado, mediante unas técnicas adecuadas, para no sobreajustar el modelo.
</div>
***
# Analísis Exploratorio de Datos *(EDA)*
## Visualización de Datos
### Variables Continuas
```{r num_table}
library(kableExtra)
library(modelsummary)
datasummary_skim(data, type = "numeric", title = "Variables Numericas") %>%
remove_column(columns = c(2,3)) %>%
column_spec(1, bold = T) %>% kable_material() %>%
kable_styling(bootstrap_options = c("condensed", "responsive")) %>%
scroll_box(width = "100%", height = "400px")
```
```{r, fig.cap="Numerical Variables"}
library(GGally)
ggpairs(data, mapping = aes(color = Attrition),
columns = c("MonthlyIncome","JobSatisfaction", "EnvironmentSatisfaction", "DistanceFromHome", "DailyRate","Age","PercentSalaryHike"),
upper = list(continuous='barDiag'),
lower = list(continuous=wrap("points",
alpha = 0.5,
size=0.1)),
title = 'Matriz de Visualización Variables Continuas',
legend = 1, showStrips = T) +
theme_minimal(base_size = 10, base_family = 'Times') +
theme(title = element_text(face = 'bold'),
legend.title = element_text(face = 'bold'),
legend.position = "bottom") + scale_fill_manual(values=c("#2E45B8","#D6DBF5")) + scale_color_manual(values=c("#2E45B8","#D6DBF5"))
```
Podemos notar como las variables no tienen una distribución lineal, entonces me espero que las técnicas des árboles van a funcionar bien con estos tipo de datos. También se nota que no hay separación lineal.
### Variables Categóricas
```{r categ_table}
datasummary_skim(data, type = "categorical", title = "Variables Categóricas") %>%
column_spec(1, bold = T) %>% column_spec(2, italic = T) %>%
kable_material() %>%
kable_styling(bootstrap_options = c("condensed", "responsive")) %>%
scroll_box(width = "100%", height = "400px")
```
```{r categ_EDA, fig.cap="Categorical Variables"}
theme_set(
theme_minimal(base_family = 'Times',
base_size = 10) +
theme(
legend.position = "none",
panel.grid.minor.x = element_blank(),
panel.grid.major.y = element_blank(),
axis.text.x = element_text(color = "gray60",
size = 8),
axis.title.x = element_blank(),
)
)
colors=c("#2E45B8","#D6DBF5")
library("cowplot")
plot_grid(
ggdraw() + draw_label("Categorical Variables of Data with Attrition", fontface = "bold"),
plot_grid(
ggplot(data,aes(fill=Attrition,x=Gender)) +
geom_bar(position="dodge2",alpha=0.8,color="black") +
scale_fill_manual(values=colors) + coord_flip(),
ggplot(data,aes(fill=Attrition,x=Department))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip(),
ggplot(data,aes(fill=Attrition, x=JobRole))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip(),
ggplot(data,aes(fill=Attrition, x=Education))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip(),
ggplot(data,aes(fill=Attrition, x=OverTime))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip(),
ggplot(data,aes(fill=Attrition, x=EducationField))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip(),
ncol = 2),
rel_heights = c(0.1, 1, 0.2),
get_legend(ggplot(data,aes(fill=Attrition,x=Gender))+geom_bar(position="fill",alpha=0.8,color="black")+scale_fill_manual(values=colors)+coord_flip()+ theme(legend.position = "top")),
ncol = 1)
```
## Datos Faltantes & Duplicados
```{r}
cbind('Missings' = naniar::n_miss(data),
'Duplicados' = nrow(janitor::get_dupes(data)))
```
No hay ni datos faltantes ni filas duplicadas
- *Age, DailyRate, DistanceFromHome, HourlyRate, MonthlyRate, PercentSalaryHike* no tienen outliers.
- *NumCompaniesWorked, TrainingTimesLastYear, YearsWithCurrManager, YearsInCurrentRole* tienen un moderado numero de outliers.
- *MonthlyIncome, TotalWorkingYears, YearsAtCompany, YearsSinceLastPromotion* tienen un largo numero de outliers.
No haré mas consideraciones en cuanto, de todas formas, los outliers no afectan los modelos de árboles que voy a plantear.
## Análisis de la Correlación
Este parte de la análisis, me proporcionará evidencias sobre la correlación entre los regresores.
```{r corr, fig.height=10, fig.width=10, fig.cap="Matriz de Correlación"}
corr_mx = as.matrix((cor(data[, sapply(data, is.numeric)] %>% select(-StandardHours, -EmployeeCount))))
corrplot::corrplot(
corr_mx, method = 'square', type = 'lower',
diag = T,
tl.col = '#2E45B8', tl.cex = 1.3,
col = painter::Palette("#D6DBF5","#4055BE", 10)
)
```
- MonthlyIncome está muy correlada con JobLevel
- La correlacíon entre TotalWorkingYears y JobLevel es 0.78, que también está bastante alta.
- La variable PercentSalaryHike tiene correlacíon elevada con PerformanceRating
- El conjunto de variables YearsSinceLastPromotion, YearsInCurrentRole, YearsWithCurrManager y YearsAtCompany, están correladas entre ellas mismas y entonces elegiré solo dos de ellas para reducir la complejidad de los árboles
Todas las demás tienen una correlacíon menor que 0.80.
***
# Features Engineering
## Selección de Variables
Unas variables no explican variabilidad en el modelo planteado. Estas variables son:
1. *EmployeeNumber*: denota el numero de identificación del empleado.
2. *EmployeeCount*: este es justo una cuenta del empleado y entonces toma siempre valor igual a 1.
3. *Over18*: esta variable describe si el empleado es mayor de 18 años. Toma valor *‘Yes’* en todos los casos.
4. *StandardHours*: el numero estándar de horas de trabajo por semana. Tiene valor constante de 80.
Luego, como ya dicho para reducir la complejidad de los árboles, quitaré 2, sobre 4, variables que proporcionan informaciones sobre los años de trabajo en la empresa y también quitaré *MonthlyRate* en cuanto ya tengo la variable *DailyRate* que simplemente está explicada en otra unidad.
Por estas razones, quitaré estas variables de mi conjunto de datos.
```{r}
data %<>% select(-EmployeeNumber,-EmployeeCount, -Over18, -StandardHours, -TrainingTimesLastYear, -YearsWithCurrManager, -YearsInCurrentRole, -MonthlyRate)
```
También el conjunto de datos está muy bueno para trabajar, así que no necesitaré crear otras variables a partir de las que ya tengo.
No emplearé otros algoritmos en cuanto las técnicas de árboles ya desarrollan los modelos sobre las variables más influyentes, pero enseguida implementaré otras técnicas de ML spara el conjunto con las variables más importantes.
## Data Preprocessing
### Dummies
```{r dummy}
# Obtener dummies por las variables categoricas, quitando y
datos <- fastDummies::dummy_cols(data[-2], remove_selected_columns = T)
# Añadir the y variable
datos <- cbind('Attrition' = data$Attrition, datos)
```
```{r, eval=FALSE, include=FALSE}
#En seguida, voy a quitar por cada dummy, una clase en cuanto esta informacion esta contentida en las otras columnas cuando ambas estan a 0
datos <- select(-BusinessTravel_Travel_Rarely,
-`Department_Human Resources`,
-Education_4,
-`EducationField_Human Resources`,
-Gender_Male,
-`JobRole_Human Resources`,
-MaritalStatus_Divorced,
-OverTime_No)
```
### Estandarización de Variables
La *regresión logística* y los algoritmos basados en árboles, como el *Decision Tree*, el *Random Forest* y el *Gradient Boosting*, no son sensibles a la magnitud de las variables. Por lo tanto, no es necesaria la estandarización antes de ajustar este tipo de modelos.
## Entrenamiento / Prueba
**Stratified Train-Test Splits**
Como el dataset no tiene un numero balanceado de ejemplos por cada clase de la variable dependiente, voy a repartir los datos entre los conjunto train y test, de una manera que preserva el mismo numero de ejemplos en cada clase como el conjunto original. Este procedimiento es llamado como **muestreo train-test estratificado**.
Por defecto, la función *caret* `createDataPartition`, hace la estratificación de esta manera.
```{r}
library(caret)
trainIndex <- createDataPartition(datos$Attrition,
p = .8,
list = FALSE,
times = 1)
Train <- datos[ trainIndex,]
Test <- datos[-trainIndex,]
rm(trainIndex)
rbind("Test" = dim(Train),"Train" = dim(Test)) %>%
kable(caption = "Partición en Entrenamiento y Prueba",
col.names = c("Observaciones","Variables"))
```
No obstante, tenemos todavía que lidiar con el desbalanceo.
## Desbalanceo de Datos
El paquete `caret` tiene una función `upSample`, que reajusta las frecuencias de las clases, haciendo un muestreo con reemplazo para que la distribución en cada clase sea igual.
```{r imbalancement_1}
predictors = names(Train)[names(Train) != "Attrition"]
upTrain <- upSample(x = Train[,predictors],
y = Train$Attrition,
list = FALSE,
yname = "Attrition")
upTrain %<>% janitor::clean_names()
Test %<>% janitor::clean_names()
predictors = names(upTrain)[names(upTrain) != "attrition"]
```
Ahora voy a comprobar los numeros de observaciones en cada clase:
```{r imbalancement_2}
knitr::kables(format = "html",
list(
kable(table(Train$Attrition),
caption = "Imbalanced Data",
col.names = c("Class","N")),
kable(table(upTrain$attrition),
caption = "Balanced Data",
col.names = c("Class","N"),
position = "float_right")
)
)
```
***
# Ajuste del Modelo
## Remuestreo
Primero, para comprobar la validez de los resultados del modelo, voy a emplear **validación cruzada**; esta técnica me va a garantir que los resultados son independientes de la partición de los datos entre entrenamiento y prueba, a través el uso de 5 subconjuntos aleatorios. Para la reproducibilidad de estos algoritmos, he fijado la semilla de aleatorización.
```{r}
set.seed(112)
control <- trainControl(
method = "cv", number = 5,
classProbs = TRUE, savePredictions = "all")
```
## Modelo de Referencia
Tenemos que establecer primero un modelo de referencia para comparar si los modelos que voy a emplear aportan mejoras consistentes. Para ello, he ajustado un modelo de regresión logística.
```{r Logistica Train, fig.cap="Matriz de Confusion Logistica", eval=FALSE}
logi <- train(attrition ~ .,
data = upTrain,
method= "glm",
trControl= control)
```
```{r logistica, fig.show="hold", out.width="50%", fig.cap="Regression Logistica", fig.subcap=c("Matriz de Confusión", "Area under the roc curve")}
#Confusion Matrix ----
source("files/ConfusionMatrix.R")
draw_confusion_matrix(
confusionMatrix(logi$pred$pred,
logi$pred$obs),
"#D6DBF5", "#2E45B8")
roc(response=logi$pred$obs,
predictor=logi$pred$Yes,
quiet = T) %>%
ggroc(colour = "#2E45B8",
size = 0.8) +
annotate("text", x=0.08, y=0.92,
label= "bold(AUC): 0.86",
family = "Times",
parse = TRUE) +
hrbrthemes::theme_ipsum(ticks = T,
base_family = 'Times', base_size = 10) +
labs(title = 'ROC Curve',
subtitle = 'Modelo de Referencia: Regression Logistica') +
theme(legend.position = 'none',
panel.background = element_rect(color='#3b454a'),
title = element_text(face='bold'),
axis.title.y = element_text(size=10),
axis.text.x = element_text(
face = 'bold', colour = '#3D3D3D', size = 10))
```
```{r, eval=F}
Logistica <- cruzadalogistica(data = upTrain,
vardep = "attrition",
listconti = predictors,
listclass = c(""),
grupos = 5,
sinicio = 112,
)
Logistica$modelo = "Logística"
```
## Decision Tree
### Tuneo del Modelo
Un árbol demasiado complejo es inestable, mientras. Un árbol demasiado sencillo puede tener poca potencia predictiva (alto sesgo) o bajo valor explicativo. Así que haré un tuneo de los datos teniendo en consideración esto.
En este proceso, me dí cuenta que los mejores modelos de árboles, en termine de *accuracy*, se encuentran tuneando solo el parámetro `minbucket`, que corresponde a el número de observaciones mínimas en cada nodo final.
La librería `caret` no permite de hacer el tuneo, así que tuve que crear un bucle que me devuelva los distintos valores para cada valor de `minbucket`.
```{r Tuning Tree, fig.cap="Tuneo del arbol", eval=FALSE}
minbucket_ <- c()
Accuracy <- c()
Kappa <- c()
Auc <- c()
for (minbucket in seq(from = 5, to = 205, by = 10)) {
arbolcaret <- train(
factor(attrition) ~ age + daily_rate + distance_from_home + environment_satisfaction + hourly_rate + job_involvement + job_satisfaction + monthly_income + num_companies_worked + percent_salary_hike + performance_rating + relationship_satisfaction + stock_option_level + total_working_years + work_life_balance + years_at_company + years_since_last_promotion + business_travel_travel_rarely + business_travel_travel_frequently + business_travel_non_travel + department_sales + department_research_development + department_human_resources + education_2 + education_1 + education_4 + education_3 + education_5 + education_field_life_sciences + education_field_other + education_field_medical + education_field_marketing + education_field_technical_degree + education_field_human_resources + gender_female + gender_male + job_role_sales_executive + job_role_research_scientist + job_role_laboratory_technician + job_role_manufacturing_director + job_role_healthcare_representative + job_role_manager + job_role_sales_representative + job_role_research_director + job_role_human_resources + marital_status_single + marital_status_married + marital_status_divorced + over_time_yes + over_time_no,
data = upTrain,
method = "rpart",
trControl = control,
tuneGrid = expand.grid(cp = c(0)),
control = rpart.control(minbucket = minbucket)
)
confusionMatrix <- confusionMatrix(
arbolcaret$pred$pred,
arbolcaret$pred$obs)
roc <- roc(response = arbolcaret$pred$obs,
predictor = arbolcaret$pred$Yes)
Acc_i <- confusionMatrix$overall[1]
Accuracy <- append(Accuracy, Acc_i)
K_i <- confusionMatrix$overall[2]
Kappa <- append(Kappa, K_i)
Auc_i <- roc$auc
Auc <- append(Auc, Auc_i)
minbucket_ <- append(minbucket_, minbucket)
# svMisc::progress(minbucket)
dput("---------------")
dput(paste0("With minbucket= ", minbucket))
dput(paste0("Accuracy: ",
round(confusionMatrix$overall[1], 3)))
print(roc$auc)
}
arbol_results = cbind(
data.frame(Accuracy, Kappa, Auc),
'minbucket' = as.factor(c(
seq(from = 5, to = 205, by = 10))))
# Clear cache ----
rm(Acc_i, K_i, Auc_i, minbucket, roc)
rm(Accuracy, Auc, Kappa, minbucket_)
```
<details>
<summary>•••>CLick to see console results</button> </summary>
```
r > "---------------"\n
r > "With minbucket= 5"\n
r > "Accuracy: 0.841"\n
r > Area under the curve: 0.905 \n
r > "---------------"\n
r > "With minbucket= 15"\n
r > "Accuracy: 0.784"\n
r > Area under the curve: 0.842\n
r > "---------------"\n
r > "With minbucket= 25"\n
r > "Accuracy: 0.749"\n
r > Area under the curve: 0.813\n
r > "---------------"\n
r > "With minbucket= 35"\n
r > "Accuracy: 0.73"\n
r > Area under the curve: 0.792\n
r > "---------------"\n
r > "With minbucket= 45"
r > "Accuracy: 0.746"
r > Area under the curve: 0.806
r > "---------------"
r > "With minbucket= 55"
r > "Accuracy: 0.744"
r > Area under the curve: 0.789
r > "---------------"
r > "With minbucket= 65"
r > "Accuracy: 0.727"
r > Area under the curve: 0.788
r > "---------------"
r > "With minbucket= 75"
r > "Accuracy: 0.727"
r > Area under the curve: 0.774
r > "---------------"
r > "With minbucket= 85"
r > "Accuracy: 0.718"
r > Area under the curve: 0.75
r > "---------------"
r > "With minbucket= 95"
r > "Accuracy: 0.714"
r > Area under the curve: 0.753
r > "---------------"
r > "With minbucket= 105"
r > "Accuracy: 0.677"
r > Area under the curve: 0.71
r > "---------------"
r > "With minbucket= 115"
r > "Accuracy: 0.68"
r > Area under the curve: 0.715
r > "---------------"
r > "With minbucket= 125"
r > "Accuracy: 0.673"
r > Area under the curve: 0.701
r > "---------------"
r > "With minbucket= 135"
r > "Accuracy: 0.678"
r > Area under the curve: 0.695
r > "---------------"
r > "With minbucket= 145"
r > "Accuracy: 0.662"
r > Area under the curve: 0.688
r > "---------------"
r > "With minbucket= 155"
r > "Accuracy: 0.651"
r > Area under the curve: 0.684
r > "---------------"
r > "With minbucket= 165"
r > "Accuracy: 0.651"
r > Area under the curve: 0.664
r > "---------------"
r > "With minbucket= 175"
r > "Accuracy: 0.635"
r > Area under the curve: 0.662
r > "---------------"
r > "With minbucket= 185"
r > "Accuracy: 0.657"
r > Area under the curve: 0.674
r > "---------------"
r > "With minbucket= 195"
r > "Accuracy: 0.632"
r > Area under the curve: 0.662
r > "---------------"
r > "With minbucket= 205"
r > "Accuracy: 0.651"
r > Area under the curve: 0.675
```
</details>
```{r tree_tune_result, fig.cap="Tuneo del arbol"}
# Plot ----
library(apexcharter)
apexchart(
width = 800,
ax_opts = list(
chart = list(type = "line"),
stroke = list(curve = "smooth"),
grid = list(
borderColor = "#e7e7e7",
row = list(
colors = c("#f3f3f3", "transparent"),
opacity = 0.5
)
),
markers = list(style = "inverted", size = 4),
series = list(
list(name = "Accuracy",
data = arbol_results$Accuracy),
list(name = "Kappa",
data = arbol_results$Kappa),
list(name = "AUC",
data = arbol_results$Auc)
),
title = list(text = "Training Results",
align = "center"),
xaxis = list(categories = arbol_results$minbucket)
)
) %>%
ax_yaxis(labels = list(formatter = format_num(".0%"))) %>%
ax_stroke(curve = "stepline", width = 2) %>%
ax_colors("#4B69CE", "#B0BDE9", "#4A80CF")
```
A menor `minbucket`, obtendré árboles más complejos.
Como podemos comprobar de este plot, para estos datos el modelo parece que se establece alrededor del valor `minbucket=100`. Por valores inferiores a 65 se obtendría un modelo sobreajustado. Entonces como que los resultados son parecidos, me quedo con el valor de 105 para obtener un modelo más estable y que no sea propenso a alto sesgo.
### Plot del Mejor Árbol
```{r, eval=F}
#poner maxsurrogate=0 para que solo nos presente la importancia de las variables que efectivamente participen en el modelo
rpart(factor(attrition) ~ .,
data = upTrain,
minbucket = 105,
method = "class",
maxsurrogate = 0,
parms = list(split = "gini")) -> arbol
```
```{r tree}
library(rpart.plot)
rpart.plot(arbol,type = 4, extra=105,
nn = F, tweak = 1.7,
gap = 1, space = 2,
box.palette= "Blues")
```
Como podemos observar de este plot, según el árbol de decisión la variable mas influyente es *OverTime_yes*, es decir los empleados que trabajan muchas veces más de las horas previstas, tienden a dejar su puesto de trabajo. También, influyen mucho si el empleado trabaja desde poco tiempo a la empresa. Este se puede notar por la importancia de las variables *Total Working Years* y *Job Level* que a niveles menores, es decir el empleado trabaja desde poco tiempo a la empresa y tiene puesto de trabajo de los primeros niveles, suele marcharse.
### Matriz de Confusión y Importancia de Variables
```{r vip, fig.show="hold", out.width="50%", fig.cap="Final Model", fig.subcap=c("Importancia de Variables","Matriz de Confusión")}
arbolcaret <- train(
factor(attrition) ~ .,
data = upTrain,
method = "rpart",
trControl = control,
tuneGrid = expand.grid(
cp = c(0)),
control = rpart.control(
minbucket = 105,
maxsurrogate = 0))
source("files/ConfusionMatrix.R")
draw_confusion_matrix(
confusionMatrix(arbolcaret$pred$pred,
arbolcaret$pred$obs),
'#D6DBF5', '#2E45B8')
ggplot(
vip::vi(arbol) %>%
filter(Importance > 0) %>%
mutate(Variable = stringr::str_to_title(Variable)) %>%
mutate(Variable = str_replace_all(Variable, "_", " ")),
aes(x = reorder(Variable, Importance), y = Importance)
) +
ggchicklet::geom_chicklet(
aes(fill = Importance),
radius = grid::unit(10, "pt"),
width = 1,
show.legend = F
) +
labs(x = NULL,
title = "Variable Importance Plot Arbol") +
scale_y_continuous(position = "right") +
scale_fill_gradient(low = '#D6DBF5', high = '#2E45B8') +
coord_flip() +
hrbrthemes::theme_ipsum(base_family = 'Times', grid = "X") +
theme(
plot.title = element_text(
hjust=0, vjust = -0.5),
plot.margin = unit(c(0, 1, 0.5, 0.5), "cm")
)
```
Según este árbol de decision, las variables más importantes son el *OverTime_Yes*, que toma mayor importancia comparada con las demás, el total de años trabajando y enseguida encontramos la satisfacción al entorno y el nivel del trabajo y el salario mensual.
El árbol planteado no mejora el modelo de referencia de regresión logística (accuracy = 0.77). Este porque un árbol solo es incline a alta varianza. Por esta razón, implementaré algoritmos de *ensemble methods*.
## Bagging Tree
El **B**ootstrap **agg**regat**ing** (bagging) es un método que consegue reducir la varianza y el sobreajuste. El algoritmo funciona de esta manera:
> Dado un conjunto de entrenamiento inicial de tamaño *n*, el bagging genera *m* nuevos conjuntos de entrenamiento, cada uno de tamaño *n'*, haciendo un remuestreo desde el conjunto inicial, uniformemente y con reemplazo (**bootstrap sample**). El muestreo con reemplazo asegura que cada bootstrap sea independiente de sus pares. Luego, los *m* modelos se ajustan utilizando las *m* muestras bootstrap y se combinan promediando el output.
Con estos datos, me espero que el bagging va a ser un buen modelo en cuanto mis variables no tienen separaciones lineales y hay muchas variables categorícas.
### Tuneo del Modelo
```{r bagg_tuning, eval=FALSE}
library(doParallel)
library(tictoc)
registerDoParallel(makeCluster(3) -> cpu)
nodesize_ <- c()
sampsize_ <- c()
Accuracy <- c()
Kappa <- c()
Auc <- c()
tic()
for (nodesize in c(20,40,60,80,100)) {
for (sampsize in c(200,500,800,1200,1570)) {
bg <- train(data=upTrain,
factor(attrition)~.,
method="rf", trControl= control,
#fijar mtry for bagging
tuneGrid= expand.grid(mtry=c(51)),
ntree = 5000,
sampsize = sampsize,
nodesize = nodesize,
#muestras con reemplazamiento
replace = TRUE,
linout = FALSE)
confusionMatrix <- confusionMatrix(
bg$pred$pred, bg$pred$obs)
roc <- roc(response = bg$pred$obs,
predictor = bg$pred$Yes)
Acc_i <- confusionMatrix$overall[1]
Accuracy <- append(Accuracy, Acc_i)
K_i <- confusionMatrix$overall[2]
Kappa <- append(Kappa, K_i)
Auc_i <- roc$auc
Auc <- append(Auc, Auc_i)
nodesize_ <- append(nodesize_, nodesize)
sampsize_ <- append(sampsize_, sampsize)
dput("---------------")
dput(paste0("With nodesize= ", nodesize))
dput(paste0("With sampsize= ", sampsize))
dput(paste0("Accuracy: ",
round(confusionMatrix$overall[1], 3)))
print(roc$auc)
}
}
toc()
stopCluster(cpu)
# Aggregate Metrics ----
bagging_results = cbind(
data.frame(Accuracy, Kappa, Auc, nodesize = nodesize_, sampsize=sampsize_))
#save(bagging_results, file="bagging_results.RData")
# Clear cache ----
rm(Acc_i, K_i, Auc_i, nodesize, roc, sampsize)
rm(Accuracy, Auc, Kappa, nodesize_, sampsize_)
```
```{r bagging-boxes_1, fig.show="hold", out.width="50%", fig.cap="Tuning Nodesize Results", fig.subcap=c("Area Under the ROC curve", "Accuracy")}
library(ggeconodist)
ggplot(bagging_results,
aes(x=factor(nodesize), Auc)) +
geom_econodist(
tenth_col = '#879DDD',
median_col = '#1D2F65',
ninetieth_col = '#3252B1') +
scale_y_continuous(position = "right",
limits = range(0.70, 1)) +
labs(
x = 'nodesize',
title = "Tuning Bagging nodesize",
subtitle = 'Resultados finales bucle, parametro nodesize y comparacion con AUC') +
theme_econodist(econ_text_col = "#3b454a",
econ_plot_bg_col = "#E6EAF8",
econ_grid_col = "#bbcad2",
econ_font = "Times",
light_font = "Times",
bold_font = "Times") +
theme(plot.title = element_text(face = 'bold')) -> gg
grid.newpage()
left_align(gg, c("subtitle", "title", "caption")) %>%
add_econodist_legend(
econodist_legend_grob(family = 'Times',
tenth_col = '#879DDD',
ninetieth_col = '#3252B1'),
below = "subtitle") %>%
grid.draw()
ggplot(bagging_results,
aes(x=factor(nodesize), Accuracy)) +
geom_econodist(tenth_col = '#879DDD',
median_col = '#1D2F65',
ninetieth_col = '#3252B1') +
scale_y_continuous(position = "right",
limits = range(0.7, 1)) +
labs(
x = 'nodesize',
title = "Tuning Bagging nodesize",
subtitle = 'Resultados finales bucle, parametro nodesize y comparacion con Accuracy') +
theme_econodist(econ_text_col = "#3b454a",
econ_plot_bg_col = "#E6EAF8",
econ_grid_col = "#bbcad2",
econ_font = "Times",
light_font = "Times",
bold_font = "Times") +
theme(plot.title = element_text(face = 'bold')) -> gg
grid.newpage()
left_align(gg, c("subtitle", "title", "caption")) %>%
add_econodist_legend(
econodist_legend_grob(family = 'Times',
tenth_col = '#879DDD',
ninetieth_col = '#3252B1'),
below = "subtitle") %>%
grid.draw()
```