Script guía para implementar un modelo de Machine Learning mediante un algoritmo de aprendizaje supervisado en R basado en el dataset IRIS

IRIS_Dataset_KNN_Explain.R

# SOBRE IRIS
# El dataset Iris es un conjunto de datos clásico utilizado 
# en aprendizaje automático y estadística. Contiene 150 observaciones 
# de tres especies de flores (setosa, versicolor, virginica), con cuatro 
# características numéricas: longitud y ancho de sépalo y pétalo. 
# Su objetivo es clasificar las flores según su especie. Es balanceado, 
# pequeño y fácil de entender, ideal para practicar algoritmos de 
# clasificación y visualización de datos.

# Sobre KNN
# K-Nearest Neighbors (KNN) es un algoritmo de aprendizaje supervisado 
# utilizado principalmente para problemas de clasificación y regresión. 
# Es intuitivo, sencillo y funciona basado en la similitud entre datos.

# ---------------

# Instalación y carga de paquetes necesarios
if (!requireNamespace("caret", quietly = TRUE)) install.packages("caret")
if (!requireNamespace("ISLR", quietly = TRUE)) install.packages("ISLR")
if (!requireNamespace("ggplot2", quietly = TRUE)) install.packages("ggplot2")

library(caret)
library(ISLR)
library(ggplot2)

# 1. Cargar el dataset "IRIS" y preparar los datos
data(iris)

# 2. Dividir el dataset en 50% para entrenamiento y 50% para testing
set.seed(400) # Semilla para reproducibilidad

trainIndex <- createDataPartition(iris$Sepal.Length, p = 0.5, list = FALSE)
trainData <- iris[trainIndex, ]
testData <- iris[-trainIndex, ]

# 3. Preprocesamiento: Escalado y centrado
# Definir la receta de preprocesamiento
preProc <- preProcess(trainData[, -7], method = c("center", "scale"))
trainData[, -7] <- predict(preProc, trainData[, -7])
testData[, -7] <- predict(preProc, testData[, -7])

# 4. Encontrar el valor óptimo de K utilizando validación cruzada
# Validacion cruzada mediante trainControl
set.seed(400) # Semilla para reproducibilidad

# Validación cruzada 7-fold, mediante el metodo cvrepeated, 
# con 3 repeticiones.
#
# - Configura cómo se va a dividir el conjunto de entrenamiento 
#   para validar el modelo durante el proceso de ajuste.
# - repeatedcv inidica que se utilizará un método de validación 
#   cruzada repetida
# - En la validación cruzada (CV) los datos se dividen en varias
#   partes tambien llamadas folds (7). En cada iteración uno de 
#   esos folds se utiliza para la validación.
# - Este enfoque se repite varias veces (3) para reducir la variabilidad
#   causadas pro como se dividen los datos.

# Primera iteracion
# se dividen los datos en 7 folds, se entrena el modelo 7 veces 
# utilizando 6 grupos para entrenar y 1 para validar, rotando cada grupo

# Segunda iteración
# Se vuelve a dividir en 7 grupos (aleatorios), repite el proceso anterior

# Tercera iteracion
# Se repite nuevamente con otras divisiones
control <- trainControl(method = "repeatedcv", number = 7, repeats = 3) 

# Genera una secuencia de números impares desde 1 hasta 20 
# (1, 3, 5, ..., 19). Estos son los valores de k que el 
# modelo probará.
knnGrid <- expand.grid(k = seq(1, 20, by = 2))    # Probar K de 1 a 20

# Entrenamos el modelo KNN buscando el mejor K (tuneLength especifica el rango de K)
knnTuning <- train(
  Species ~ ., 
  data = trainData, 
  method = "knn", 
  trControl = control, 
  tuneGrid = knnGrid
)

# Visualizar los resultados del ajuste
print(knnTuning)

# k   Accuracy   Kappa    
# 1  0.9296537  0.8933739
# 3  0.9212843  0.8808017
# 5  0.9300144  0.8939691
# 7  0.9344156  0.9002283
# 9  0.9430736  0.9134956
# 11  0.9466089  0.9191411
# 13  0.9465368  0.9191519
# 15  0.9425685  0.9131995
# 17  0.8865801  0.8289902
# 19  0.8901154  0.8343862

# Graficar los resultados del ajuste
plot(knnTuning)

# Extraer el valor óptimo de K
bestK <- knnTuning$bestTune$k
cat("El valor óptimo de K es:", bestK, "\n")

# K optimo = 11

# 5. Entrenar el modelo final utilizando el valor óptimo de K
finalKnnModel <- train(
  Species ~ ., 
  data = trainData, 
  method = "knn", 
  trControl = control, 
  tuneGrid = data.frame(k = bestK) # Solo entrenar con el mejor K
)

# Resumen del modelo final
print(finalKnnModel)

# Conclusiones de entrenamiento
# -----------------------------

# Precisión (Accuracy): 94.36%
# El modelo clasifica correctamente la mayoría de las muestras, 
# mostrando un desempeño excelente.
# Kappa: 0.9152

# Indica un acuerdo casi perfecto entre las predicciones y las 
# observaciones reales, ajustado por el azar.

# El modelo KNN con k = 11 tiene un rendimiento sobresaliente, 
# capturando patrones significativos en los datos y clasificando 
# con alta precisión las tres clases (setosa, versicolor, virginica).


# 6. Predecir las etiquetas en el conjunto de prueba
predictions <- predict(finalKnnModel, newdata = testData)
print(predictions)

# Predictions result:
# [1] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
# [10] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
# [19] setosa     setosa     setosa     setosa     setosa     setosa     versicolor versicolor versicolor
# [28] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
# [37] versicolor versicolor versicolor virginica  versicolor versicolor versicolor versicolor versicolor
# [46] versicolor versicolor versicolor virginica  virginica  virginica  versicolor virginica  virginica 
# [55] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
# [64] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
# [73] virginica 

# 7. Crear una matriz de confusión
confMat <- confusionMatrix(predictions, testData$Species)
print(confMat)

# 8. Interpretación de la matriz de confusión
# Confusion Matrix and Statistics (IRIS)
# 
# Reference
# Prediction   setosa versicolor virginica
# setosa         24          0         0
# versicolor      0         23         1
# virginica       0          1        24
# 
# Overall Statistics
# 
# Accuracy : 0.9726          
# 95% CI : (0.9045, 0.9967)
# No Information Rate : 0.3425          
# P-Value [Acc > NIR] : < 2.2e-16       
# 
# Kappa : 0.9589          
# 
# Mcnemar's Test P-Value : NA              
# 
# Statistics by Class:
# 
#                      Class: setosa Class: versicolor Class: virginica
# Sensitivity                 1.0000            0.9583           0.9600
# Specificity                 1.0000            0.9796           0.9792
# Pos Pred Value              1.0000            0.9583           0.9600
# Neg Pred Value              1.0000            0.9796           0.9792
# Prevalence                  0.3288            0.3288           0.3425
# Detection Rate              0.3288            0.3151           0.3288
# Detection Prevalence        0.3288            0.3288           0.3425
# Balanced Accuracy           1.0000            0.9690           0.9696

# El modelo tiene un desempeño sobresaliente, con ligeros errores 
# entre versicolor y virginica, pero es altamente confiable para 
# clasificar el dataset iris.

# Precisión global (Accuracy): 97.26%
# El modelo clasificó correctamente el 97.26% de las observaciones.

# Kappa: 0.9589
# Excelente acuerdo ajustado por azar, cercano a 1.
# Donde 
#     1: Concordancia perfecta entre predicciones y valores reales.
#     0: Concordancia esperada por azar (sin valor predictivo).
#     Negativo: Rendimiento peor que el azar.
# Este valor indica que el modelo predice las etiquetas con una 
# concordancia muy alta y que casi todos los errores están 
# explicados únicamente por variaciones aleatorias, 
# no por fallos sistemáticos.

# Comentario adicional:
# El valor de K óptimo se determina como aquel que maximiza la precisión promedio
# durante la validación cruzada. Esto asegura que el modelo sea robusto y generalice bien
# en datos no vistos.
# El nivel de precisión y la correlación en los resultados de predicción
# son optimos para ser utilizados en investigaciones publicaciones 
# científicas

# -----------------------
# Extra
# HEATMAP Matriz de confusión
# -----------------------

# Comentario:
# Este gráfico ayuda a identificar visualmente los errores de predicción entre clases,
# destacando con mayor intensidad las predicciones correctas (diagonal).

# Crear un dataframe para graficar la matriz de confusión
confMatrixData <- as.data.frame(as.table(confMat$table))
colnames(confMatrixData) <- c("Prediction", "Reference", "Freq")

# Crear el heatmap de la matriz de confusión
confusionHeatmap <- ggplot(data = confMatrixData, aes(x = Reference, y = Prediction)) +
  geom_tile(aes(fill = Freq), color = "white") + # Heatmap con frecuencia
  geom_text(aes(label = Freq), vjust = 1.5) +   # Añadir etiquetas con valores
  scale_fill_gradient(low = "lightblue", high = "blue") + # Escala de color
  labs(
    title = "Confusion Matrix Heatmap",
    x = "Actual Class",
    y = "Predicted Class",
    fill = "Frequency"
  ) +
  theme_minimal()

# Mostrar el gráfico
print(confusionHeatmap)