TrabajoMineria.R

install.packages("readxl")
library("readxl")
data <- read_excel("BASE_ALERTAS_2.xlsx",sheet=2)

table(data$TARGET)

#Se elimina la columna del codigo del cliente
data$ID_CLIENTE <- NULL
#Se eliminan las columnas que contienen valores en 0
data$IMPORTE_SAL <- NULL
data$IMPORTE_MN_S <- NULL
data$CANTIDAD_MN_S <- NULL
data$IMPORTE_MY_S <- NULL
data$CANTIDAD_MY_S <- NULL

#Convertimos a factor las distintas categorias o clases que posee la data
data$TARGET <- as.factor(data$TARGET)
data$TIP_DOCUMENTO <- as.factor(data$TIP_DOCUMENTO)
data$TIP_PERSONA <- as.factor(data$TIP_PERSONA)
data$PAIS_RESIDENCIA <- as.factor(data$PAIS_RESIDENCIA)
data$GENERO <- as.factor(data$GENERO)
data$COD_POSTAL <- as.factor(data$COD_POSTAL)

data$EDAD <- as.integer(data$EDAD)
data$ANTIGUEDAD <- as.integer(data$ANTIGUEDAD)
data$MEDIDA_CANTIDAD <- as.integer(data$MEDIDA_CANTIDAD)
data$MEDIDA_IMPORTE <- as.double(data$MEDIDA_IMPORTE)
data$MEDIDA_CONCEPTO <- as.double(data$MEDIDA_CONCEPTO)
data$IMPORTE_T <- as.double(data$IMPORTE_T)
data$PROMEDIO_T <- as.double(data$PROMEDIO_T)
data$IMPORTE_MN <- as.double(data$IMPORTE_MN)
data$CANTIDAD_MN <- as.integer(data$CANTIDAD_MN)
data$IMPORTE_MY <- as.double(data$IMPORTE_MY)
data$CANTIDAD_MY <- as.integer(data$CANTIDAD_MY)
data$IMPORTE_ING <- as.double(data$IMPORTE_ING)
data$CANTIDAD_ING <- as.integer(data$CANTIDAD_ING)
data$IMPORTE_MN_I <- as.double(data$IMPORTE_MN_I)
data$CANTIDAD_MN_I <- as.integer(data$CANTIDAD_MN_I)
data$IMPORTE_MY_I <- as.double(data$IMPORTE_MY_I)
data$CANTIDAD_MY_I <- as.integer(data$CANTIDAD_MY_I)
data$CANTIDAD_SAL <- as.integer(data$CANTIDAD_SAL)
data$CANTIDAD_T <- as.integer(data$CANTIDAD_T)
data$CANTIDAD_PRODUCTO <- as.integer(data$CANTIDAD_PRODUCTO)
data$CANTIDAD_PRODUCTOS_DIFENTES <- as.integer(data$CANTIDAD_PRODUCTOS_DIFENTES)
data$CANTIDAD_OFICINAS_DISTINTAS_APERTURA <- as.integer(data$CANTIDAD_OFICINAS_DISTINTAS_APERTURA)

#En el siguiente gráfico podemos apreciar tenemos datos perdidos entre 
#COD_POSTAL y GENERO, es decir que dichos datos se han perdido en simultaneo en el 38% de la data.

library(VIM)
aggr(data,numbers=T, sortComb=TRUE, sortVar=TRUE, only.miss=TRUE)


#Asignando el valor empresa a los campos NA
levels <- levels(data$GENERO)
levels[length(levels) + 1] <- "Empresa"

data$GENERO <- factor(data$GENERO, levels = levels)
data$GENERO[is.na(data$GENERO)] <- "Empresa"

levels <- levels(data$COD_POSTAL)
levels[length(levels) + 1] <- "Empresa"

data$COD_POSTAL <- factor(data$COD_POSTAL, levels = levels)
data$COD_POSTAL[is.na(data$COD_POSTAL)] <- "Empresa"

#vemos el summary de los datos y detectamos que existen valores perdidos en la data
#en los campos COD_POSTAL, GENERO y COD_OCUPACION
summary(data)


#Creamos las varibles dummys the los tipos de datos categoricos
library(caret)
dummies <- dummyVars(TARGET ~ ., data=data,
                     fullRank = TRUE)

dummies$TARGET <- as.factor(dummies$TARGET)

data1 <- as.data.frame(predict(dummies, newdata=data))
datos2 <- cbind(data1,TARGET= data$TARGET)

#Particionamos la data en 80% para train y 20% para test
library(caret)
set.seed(123) 

index   <- createDataPartition(datos2$TARGET, 
                               p=0.8, 
                               list=FALSE)

DataTrain    <- datos2[ index, ]
DataTesting  <- datos2[-index, ]

# Verificando que se mantenga la proporcion original
addmargins(table(data$TARGET))
round(prop.table(table(data$TARGET))*100,2)

addmargins(table(DataTrain$TARGET))
round(prop.table(table(DataTrain$TARGET))*100,2)

addmargins(table(DataTesting$TARGET))
round(prop.table(table(DataTesting$TARGET))*100,2)


#install.packages("DMwR")
library(DMwR)
set.seed(123)

Balance_train <- SMOTE(TARGET ~ ., 
                     data=as.data.frame(DataTrain), 
                     perc.over = 1000, 
                     perc.under=150)                         

addmargins(table(DataTrain$TARGET))
addmargins(table(Balance_train$TARGET) )

library(caret)
ctrl <- trainControl(method="repeatedcv",
                     repeats = 3, number=10)


target     <- "TARGET"
predictores <- setdiff(names(Balance_train), target)
predictores



set.seed(123)
modelo_C5    <- train(Balance_train[,predictores],
                      Balance_train[,target],
                      preProcess=c("range"),
                      method = "C5.0", 
                      trControl = ctrl, 
                      tuneLength = 5,
                      metric="Accuracy")

PredictC5 <- predict(modelo_C5,DataTesting[,predictores] )


# algoritmo aplicando Boosting 


set.seed(123) 
Modelo_Boost  <- train(Balance_train[,predictores],
                      Balance_train[,target],
                      preProcess=c("range"),
                      method = "adaboost", 
                      trControl = ctrl, 
                      metric="Accuracy")

PredictBoost <- predict(Modelo_Boost,DataTesting[,predictores] )

# algoritmo aplicando Random forest

set.seed(123) 
Modelo_RForest  <- train(Balance_train[,predictores],
                       as.factor(Balance_train[,target]),
                       preProcess=c("range"),
                       method = "rf", 
                       trControl = ctrl, 
                       metric="Accuracy")

PredictRForest <- predict(Modelo_RForest,DataTesting[,predictores] )

# algoritmo aplicando SVM Radial

set.seed(123) 
Modelo_SVM  <- train(Balance_train[,predictores],
                       as.factor(Balance_train[,target]),
                       preProcess=c("range"),
                       method = "svmRadial", 
                       trControl = ctrl, 
                       metric="Accuracy")

PredictSVM <- predict(Modelo_SVM,DataTesting[,predictores] )

Modelo C5

Warning in preProcess.default(thresh = 0.95, k = 5, freqCut = 19, uniqueCut = 10, :
No variation for for: COD_DEPARTAMENTO11, COD_DEPARTAMENTO19, COD_CIIU0121, COD_CIIU1320, COD_CIIU1541, COD_CIIU1721, COD_CIIU1730, COD_CIIU1810, COD_CIIU1920, COD_CIIU2221, COD_CIIU2412, COD_CIIU2919, COD_CIIU2929, COD_CIIU3430, COD_CIIU4030, COD_CIIU5233, COD_CIIU6110, COD_CIIU6303, COD_CIIU7020, COD_CIIU7220, COD_CIIU7310, COD_CIIU8021, COD_CIIU9219, COD_OCUPACION225, COD_OCUPACIONASE, COD_OCUPACIONENC, COD_OCUPACIONJUE, COD_OCUPACIONMED, COD_OCUPACIONNOT, COD_OCUPACIONOBC, COD_OCUPACIONOFI, COD_OCUPACIONSUB, COD_POSTAL.L0026, CANTIDAD_SAL