[DATA SCIENCE] [R PROGRAMMING] [DATA VISUALIZATION] Explorando Técnicas de Análisis y Visualización de Datos en R

 

Introducción

En el análisis de datos, la correcta partición y visualización de los datasets es crucial para obtener conclusiones precisas y valiosas. En este artículo, exploraremos diversas técnicas en R para particionar datasets, crear histogramas, scatterplots, boxplots, y ajustar curvas de regresión y suavizado.

1. Partición de Datasets

La partición de datasets es una etapa fundamental en el proceso de machine learning. Permite dividir los datos en conjuntos de entrenamiento, validación y prueba para asegurar que nuestros modelos se entrenen y evalúen adecuadamente.

Función para Particionar Datasets

# Función para automatizar la partición de datasets

partition_data <- function(data, target_column, train_ratio = 0.7, validate_ratio = NULL, seed = 123) {

  # Establecer la semilla para reproducibilidad

  set.seed(seed)

  

  # Crear partición de entrenamiento

  training_ids <- createDataPartition(data[[target_column]], p = train_ratio, list = FALSE)

  data_training <- data[training_ids, ]

  temp <- data[-training_ids, ]

  # Inicializar variables para validación y prueba

  data_validation <- NULL

  data_testing <- NULL

  

  # Si se especifica un ratio de validación

  if (!is.null(validate_ratio)) {

    validation_ids <- createDataPartition(temp[[target_column]], p = validate_ratio / (1 - train_ratio), list = FALSE)

    data_validation <- temp[validation_ids, ]

    data_testing <- temp[-validation_ids, ]

  } else {

    # Si no se especifica ratio de validación, dividir el resto en validación y prueba a partes iguales

    validation_ids <- createDataPartition(temp[[target_column]], p = 0.5, list = FALSE)

    data_validation <- temp[validation_ids, ]

    data_testing <- temp[-validation_ids, ]

  }

  

  # Devolver las particiones

  list(training = data_training, validation = data_validation, testing = data_testing)

}

# Ejemplo de uso

data <- read.csv("../data/tema2/BostonHousing.csv")

partitions <- partition_data(data, target_column = "MEDV", train_ratio = 0.7, validate_ratio = 0.15)

data_training <- partitions$training

data_validation <- partitions$validation

data_testing <- partitions$testing

2. Visualización de Datos

2.1 Histograma con Curva de Densidad

Los histogramas son útiles para visualizar la distribución de una variable. Podemos superponer una curva de densidad para comprender mejor la distribución.

# Crear el histograma de la variable 'mpg'

hist(auto$mpg, 

     breaks = 16,

     probability = TRUE, 

     main = "Histograma y Densidad de MPG", 

     xlab = "Millas por Galón (MPG)", 

     col = "lightblue", 

     border = "black")

# Añadir la curva de densidad

lines(density(auto$mpg), 

      col = "red", 

      lwd = 2)

2.2 Scatterplots y Ajuste de Curvas

Los scatterplots ayudan a visualizar relaciones entre dos variables. Podemos añadir diferentes tipos de ajustes de curvas para identificar patrones.

Scatterplot con Recta de Regresión

# Crear scatterplot de 'mpg' vs 'horsepower'

plot(auto$horsepower, auto$mpg, 

     main = "Scatterplot de MPG vs Horsepower con Recta de Regresión", 

     xlab = "Potencia del Motor (Horsepower)", 

     ylab = "Millas por Galón (MPG)", 

     pch = 19, 

     col = "blue")

# Ajustar el modelo lineal

model <- lm(mpg ~ horsepower, data = auto)

# Añadir la recta de regresión

abline(model, col = "red", lwd = 2)

Scatterplot con Loess Smoothing

# Crear scatterplot de 'mpg' vs 'horsepower'

plot(auto$horsepower, auto$mpg, 

     main = "Scatterplot de MPG vs Horsepower con Loess Smoothing", 

     xlab = "Potencia del Motor (Horsepower)", 

     ylab = "Millas por Galón (MPG)", 

     pch = 19, 

     col = "blue")

# Añadir la curva Loess

loess_fit <- loess(mpg ~ horsepower, data = auto)

lines(auto$horsepower, predict(loess_fit), col = "red", lwd = 2)

3. Análisis Avanzado de Datos

3.1 Boxplots

Los boxplots son útiles para visualizar la distribución de una variable y detectar outliers. Podemos crear boxplots para diferentes variables y compararlas.

Boxplot para Todas las Variables Numéricas

# Seleccionar solo las variables numéricas

numeric_vars <- auto[, sapply(auto, is.numeric)]

# Crear un layout para múltiples gráficos

par(mfrow = c(ceiling(ncol(numeric_vars)/2), 2))

# Generar boxplots para cada variable numérica

for (var in names(numeric_vars)) {

  boxplot(numeric_vars[[var]], 

          main = paste("Boxplot de", var), 

          ylab = var, 

          col = "lightblue", 

          border = "darkblue")

}

# Resetear layout

par(mfrow = c(1, 1))

Tesis: Selección de Técnicas de Ajuste de Curvas

La elección de la técnica de ajuste de curvas más adecuada depende del contexto y de la naturaleza de los datos. Aquí algunas consideraciones para elegir la mejor técnica:

Regresión Lineal:

• Ventajas: Simple y fácil de interpretar.

• Desventajas: No captura relaciones no lineales.

Loess Smoothing:

• Ventajas: Captura tendencias locales, útil para datos con patrones no lineales.

• Desventajas: Puede ser computacionalmente costoso para grandes datasets.

Smoothing Splines:

• Ventajas: Flexibles y pueden modelar relaciones complejas.

• Desventajas: Pueden sobreajustarse a datos ruidosos.

Modelos Aditivos Generalizados (GAM):

• Ventajas: Combinan la flexibilidad de los splines con la capacidad de modelar relaciones complejas.

• Desventajas: Pueden ser difíciles de interpretar y requieren más tiempo de cómputo.

Conclusión

Elegir la técnica de ajuste de curvas adecuada es crucial para la precisión y la interpretabilidad del modelo. Para datos lineales simples, la regresión lineal puede ser suficiente. Para datos más complejos, técnicas como Loess, Smoothing Splines o GAMs pueden proporcionar una mejor representación de los datos.