Modelo de Predicción de casos de gripe A (H7N9) basado en Bosques Aleatorios

El objetivo de este estudio es presentar un modelo de predicción de casos en aprendizaje automático basado en Bosques Aleatorios (Random Forests) que permita predecir el número de pacientes fallecidos y recuperados que han contraído el virus de la gripe A (H7N9) en China durante 2013. Para ello utilizaremos un dataset con información de 134 pacientes, de los cuales se sabe que 31 han fallecido, 46 se han recuperado y 57 tienen un pronóstico desconocido. Para el desarrollo de este modelo se utilizó el lenguaje de programación R, el software RStudio y librerías, entre las que destacan ggplot2 y caret.

Introduccion

El virus de la gripe A(H7N9) forma parte de un subgrupo de virus gripales que normalmente circulan en las aves. Ahora está produciendo infecciones seres humanos, un fenómeno que hasta hace poco no se había observado. La información existente sobre el alcance de la enfermedad causada por este virus y sobre la fuente de exposición es escasa. La enfermedad es preocupante porque ha sido grave en la mayoría de los casos. Por el momento no hay indicios de que pueda transmitirse de persona a persona, pero se están investigando activamente las vías de transmisión tanto de animales a personas como de persona a persona (Organización Mundial de la Salud, 2017). La minería de datos es un campo de la estadística y la informática referido al proceso que intenta descubrir patrones en grandes volúmenes de conjuntos de datos. Utiliza los métodos de la inteligencia artificial, el aprendizaje automático, la estadística y los sistemas de bases de datos. El objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Mediante los métodos predictivos utilizados en la minería de datos, es posible obtener previsiones de enfermedades víricas en grupos de población definidos.

Caso de Estudio

El objetivo general de esta investigación es obtener un modelo óptimo que permita generar previsiones de mortalidad y recuperación en pacientes portadores del virus de la gripe A-H7N9. Los objetivos específicos son los siguientes:

• Realizar un análisis exploratorio de los datos basado en el estudio de algunas medidas de tendencia central (media, mediana, y cuartiles)
• Desarrollar, entrenar y probar un modelo de bosque aleatorio.

Predicción de casos: Metodología

A través del software R Studio, se realiza un análisis exploratorio de datos, basado en el estudio de medidas de tendencia central (media, mediana y cuartiles). Las medidas de tendencia central son medidas estadísticas que tratan de resumir en un único valor a un conjunto de valores. Representan un centro en el que se encuentra el conjunto de datos. (Quevedo, 2011).

Posteriormente, a través de la librería «caret» de R, se construyen y evalúan los modelos a partir de los métodos predictivos de bosque aleatorio.

Algunos parámetros generados por los modelos utilizados son los siguientes:

• Mtry: el algoritmo seleccionará el número mtry de predictores para intentar una división para la clasificación al construir un árbol de clasificación.
• Accuracy: la precisión del predictor se refiere a lo bien que un predictor dado puede adivinar el valor del atributo predicho para un nuevo dato.
• Kappa: es una métrica que compara una precisión observada con una precisión esperada (probabilidad aleatoria). Se utiliza no sólo para evaluar un único clasificador, sino también para evaluar clasificadores entre sí. También tiene en cuenta el azar (según un clasificador aleatorio), lo que suele significar que es menos engañoso que utilizar simplemente la precisión como métrica. Landis y Koch consideran en sus investigaciones los valores 0-0,20 como leves, 0,21-0,40 como regulares, 0,41-0,60 como moderados, 0,61-0,80 como sustanciales y 0,81-1 como casi perfectos.

Kappa = $\frac{observed precision – expected precision}{1 – expected precision}$

El método Random Forest es una combinación de árboles predictores tal que cada árbol depende de los valores de un vector aleatorio probado independientemente y con la misma distribución para cada uno de ellos. Es una modificación sustancial del bagging que construye una larga colección de árboles no correlacionados y luego los promedia. (Breimann L, 2001).

Aplicación del Modelo de Predicción de casos

Análisis exploratorio de los datos

El archivo a analizar es un .csv con los datos de 134 pacientes con virus h7n9, de los cuales se sabe que 31 han fallecido, 46 se han recuperado y 57 tienen pronóstico desconocido. Las variables que componen el conjunto de datos son las siguientes:

• case_id: Identificador del paciente.
• outcome: Pronóstico si lo hay (recuperado o fallecido).
• age: Edad del individuo.
• male: Género (1 = masculino, 0 = femenino)
• hospital: Dato booleano que indica si el paciente ha sido hospitalizado
• days_to_hospital: número de días transcurridos entre el inicio de la enfermedad y la hospitalización
• days_to_outcome: número de días transcurridos entre el inicio y el final de la enfermedad.
• early_outcome: Indica si la enfermedad ha durado menos que la media del conjunto de datos.
• Jiangsu, Shanghai, Zhejiang, Otros: Variables booleanas que indican el lugar de origen del paciente.

Para este análisis, empezamos importando las bibliotecas que vamos a utilizar.

In [ ]:

library(dplyr)
library(readr)
library(tidyr)
library(ggplot2)
library(caret)
library(gbm)
library(rpart)
library(rattle)
library(rpart.plot)
library(RColorBrewer)

Aquí podemos ver el conjunto de datos completo.

In [15]:

h7n9 <- read.csv("../input/chinah7n9/h7n9.csv")
h7n9

case_id	outcome	age	male	hospital	days_to_hospital	days_to_outcome	early_outcome	Jiangsu	Other	Shanghai	Zhejiang
<chr>	<chr>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>
case_1	Death	58	1	0	4	13	1	0	0	1	0
case_2	Death	7	1	1	4	11	1	0	0	1	0
case_3	Death	11	0	1	10	31	1	0	1	0	0
case_4	NA	18	0	1	8	46	0	1	0	0	0
case_5	Recover	20	0	1	11	57	0	1	0	0	0
case_6	Death	9	0	1	7	36	1	1	0	0	0
case_7	Death	54	1	1	9	20	1	1	0	0	0
case_8	Death	14	1	1	11	20	1	0	0	0	1
case_9	NA	39	1	1	0	18	0	0	0	0	1
case_10	Death	20	1	1	4	6	1	0	0	1	0
case_11	Death	36	1	1	2	6	1	0	0	0	1
case_12	Death	24	0	0	6	7	1	0	0	1	0
case_13	Death	39	0	1	3	12	1	0	0	1	0
case_14	Recover	15	1	0	4	10	1	0	0	1	0
case_15	NA	34	0	0	11	38	1	1	0	0	0
case_16	NA	51	1	0	3	20	0	1	0	0	0
case_17	Death	46	1	1	6	14	1	0	0	1	0
case_18	Recover	38	1	1	4	20	1	0	0	1	0
case_19	Death	31	1	1	5	67	0	0	0	1	0
case_20	Recover	27	1	1	4	22	1	0	1	0	0
case_21	Recover	39	1	1	1	23	1	0	0	1	0
case_22	NA	56	1	1	4	17	0	1	0	0	0
case_23	Recover	5	0	1	0	46	0	1	0	0	0
case_24	Death	36	1	0	6	6	1	0	0	1	0
case_25	Recover	35	1	1	0	35	0	0	0	1	0
case_26	Death	49	1	1	4	11	1	0	0	1	0
case_27	Recover	23	0	1	27	37	1	0	0	0	1
case_28	NA	51	1	0	6	6	1	0	0	0	1
case_29	Recover	48	0	1	4	32	0	0	0	1	0
case_30	Recover	53	0	0	6	23	0	0	0	1	0
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
case_107	Death	61	1	0	7	21	0	0	1	0	0
case_108	NA	55	1	0	3	22	0	0	0	0	1
case_109	NA	35	1	0	0	8	0	0	0	0	1
case_110	NA	25	1	1	4	32	0	0	1	0	0
case_111	Death	28	1	0	4	22	0	0	1	0	0
case_112	NA	41	1	0	1	11	0	0	1	0	0
case_113	NA	33	0	0	7	13	1	0	0	0	1
case_114	NA	22	0	0	10	8	0	0	0	0	1
case_115	NA	14	1	0	7	10	0	0	0	0	1
case_116	Recover	37	1	1	5	21	0	0	1	0	0
case_117	Recover	48	0	0	4	28	0	0	1	0	0
case_118	NA	21	1	0	6	57	0	1	0	0	0
case_119	Recover	12	1	0	6	26	0	1	0	0	0
case_120	NA	33	1	0	3	38	0	1	0	0	0
case_121	Death	36	0	1	5	30	0	0	1	0	0
case_122	NA	14	1	0	5	18	0	0	0	0	1
case_123	Death	26	1	1	7	16	0	0	1	0	0
case_124	Recover	52	1	0	7	17	0	0	1	0	0
case_125	Recover	8	0	0	0	20	0	0	1	0	0
case_126	NA	52	1	1	10	31	0	0	1	0	0
case_127	Recover	15	1	0	5	9	0	0	1	0	0
case_128	Recover	30	1	1	7	22	0	0	1	0	0
case_129	Recover	41	1	1	4	28	0	0	1	0	0
case_130	NA	41	1	1	1	20	0	0	1	0	0
case_131	Recover	60	1	1	1	2	1	0	1	0	0
case_132	NA	51	0	1	0	24	0	0	1	0	0
case_133	Recover	32	1	1	0	2	0	0	1	0	0
case_134	Recover	2	1	1	1	7	0	1	0	0	0
case_135	Death	34	0	1	3	32	0	0	1	0	0
case_136	NA	23	0	1	1	13	0	0	1	0	0

A continuación se ofrece un resumen de los datos clasificados por edades:

In [16]:

summary(h7n9$age)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   2.00   20.25   34.00   32.46   44.75   61.00 

Construyamos algunos gráficos para obtener más información de los datos.

In [17]:

plot(density(h7n9$age), 
     main = "Density histogram",
     xlab = "Age (years old)",
     ylab = "Density")

In [18]:

ggplot(h7n9, aes(age)) + geom_density(aes(fill=outcome), alpha=1/3)

In [19]:

summary(h7n9['age'])
boxplot(h7n9['age'], main = "Distribution of patients by age",
        xlab = "Age",
        ylab = "Patients",
        col = "orange",
        border = "brown",
        horizontal = TRUE,
        notch = TRUE)

      age       
 Min.   : 2.00  
 1st Qu.:20.25  
 Median :34.00  
 Mean   :32.46  
 3rd Qu.:44.75  
 Max.   :61.00  

In [20]:

summary(h7n9[h7n9$outcome=='Death', 'age'])
boxplot(h7n9[h7n9$outcome=='Death', 'age'], main = "Distribution of deceased patients by age",
        xlab = "Age",
        ylab = "Patients",
        col = "orange",
        border = "brown",
        horizontal = TRUE,
        notch = TRUE)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
   7.00   27.50   36.00   37.19   49.00   61.00      57 

In [21]:

summary(h7n9[h7n9$outcome=='Recover', 'age'])
boxplot(h7n9[h7n9$outcome=='Recover', 'age'], main = "Distribution of recovered patients by age",
        xlab = "Age",
        ylab = "Patients",
        col = "orange",
        border = "brown",
        horizontal = TRUE,
        notch = TRUE)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
   2.00   13.25   26.00   26.89   39.75   60.00      57 

In [22]:

summary(h7n9[is.na(h7n9$outcome), 'age'])
boxplot(h7n9[is.na(h7n9$outcome), 'age'], main = "Distribution of patients without prognosis by age",
        xlab = "Age",
        ylab = "Patients",
        col = "orange",
        border = "brown",
        horizontal = TRUE,
        notch = TRUE)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   6.00   26.00   35.00   34.39   44.00   56.00 

En la distribución de todos los pacientes, la edad mínima es de 2 años, la edad media es de 32,46 años y la edad máxima es de 61 años.

En la distribución de los pacientes fallecidos, la edad mínima es de 7 años, la edad media es de 37,19 años y la edad máxima es de 61 años.

En la distribución de pacientes recuperados, la edad mínima es de 2 años, la edad media es de 26,89 años y la edad máxima es de 60 años.

En la distribución de pacientes con pronóstico desconocido, la edad mínima es de 6 años, la media de edad es de 34,39 años y la edad máxima es de 56 años.

Podemos observar que la edad media de los pacientes fallecidos es mayor que la edad media de los pacientes recuperados, por lo que podemos inferir que la edad es una variable importante a la hora de establecer modelos predictivos sobre este conjunto de datos. Para llegar a esta conclusión, no es necesario transformar los datos porque no se está utilizando ningún método de análisis paramétrico para ello (regresión, t de student, correlación, ANOVA, etc).

Antes de aplicar los métodos predictivos, dividimos los datos en grupos de entrenamiento y de prueba. Los datos de prueba se componen de los 57 casos con pronóstico desconocido. Los datos de entrenamiento se dividen para validar los modelos: El 70% de los datos de entrenamiento se conservarán para la construcción del modelo y el 30% restante se utilizará para la prueba del modelo. Esta proporción se utilizó debido a que es importante utilizar la mayor parte de los datos para entrenar el modelo, y al mismo tiempo dejar una proporción significativa para ejecutar las pruebas.

In [23]:

unknown_index <- which(is.na(h7n9$outcome))
unknown_data = h7n9[unknown_index, ]
train_data <- h7n9[-unknown_index, ][,-1]

set.seed(1275)
val_index <- createDataPartition(train_data$outcome, p = 0.7, list=FALSE) # training data indices
val_train_data <- train_data[val_index, ] # training data
val_test_data  <- train_data[-val_index, ] # test data

Bosque Aleatorio

Este modelo tiene una precisión del 76,73% con los siguientes parámetros:

• mtry = 10
• kappa = 0.4970

Obteniendo la matriz de confusión a partir de la predicción realizada, se registraron 14 resultados acertados y 8 erróneos, lo que representa una precisión del 63,64%. La variable más importante para el modelo es la edad.

In [24]:

model_rf <- caret::train(outcome ~ .,
                         data = val_train_data,
                         method = "rf",
                         preProcess = NULL,
                         trControl = trainControl(method = "repeatedcv", number = 10, repeats = 10, verboseIter = FALSE))

model_rf

Random Forest 

55 samples
10 predictors
 2 classes: 'Death', 'Recover' 

No pre-processing
Resampling: Cross-Validated (10 fold, repeated 10 times) 
Summary of sample sizes: 49, 50, 50, 49, 49, 50, ... 
Resampling results across tuning parameters:

  mtry  Accuracy   Kappa    
   2    0.6804762  0.2994427
   6    0.7564286  0.4744705
  10    0.7585238  0.4872897

Accuracy was used to select the optimal model using the largest value.
The final value used for the model was mtry = 10.

In [25]:

confusionMatrix(predict(model_rf, val_test_data), as.factor(val_test_data$outcome))

Confusion Matrix and Statistics

          Reference
Prediction Death Recover
   Death       3       2
   Recover     6      11

               Accuracy : 0.6364         
                 95% CI : (0.4066, 0.828)
    No Information Rate : 0.5909         
    P-Value [Acc > NIR] : 0.4195         

                  Kappa : 0.1927         

 Mcnemar's Test P-Value : 0.2888         

            Sensitivity : 0.3333         
            Specificity : 0.8462         
         Pos Pred Value : 0.6000         
         Neg Pred Value : 0.6471         
             Prevalence : 0.4091         
         Detection Rate : 0.1364         
   Detection Prevalence : 0.2273         
      Balanced Accuracy : 0.5897         

       'Positive' Class : Death          
                                         

In [26]:

varImp(model_rf, scale=TRUE) # Importance of the variable
varImp(model_rf, scale=TRUE) %>% plot()

rf variable importance

                  Overall
age              100.0000
days_to_outcome   35.4028
days_to_hospital  32.1660
early_outcome      8.8473
Other              4.9845
male               2.6046
hospital           2.5463
Shanghai           0.7959
Zhejiang           0.1249
Jiangsu            0.0000

In [27]:

predict(model_rf, newdata = unknown_data)  # Prediction

new_h7n9 = unknown_data # Include results in dataset
new_h7n9 %>%
  mutate(outcome=predict(model_rf, newdata=unknown_data))

1. Recover
2. Recover
3. Death
4. Recover
5. Death
6. Death
7. Recover
8. Recover
9. Recover
10. Recover
11. Death
12. Death
13. Death
14. Recover
15. Recover
16. Death
17. Recover
18. Death
19. Death
20. Death
21. Recover
22. Recover
23. Recover
24. Recover
25. Death
26. Death
27. Death
28. Recover
29. Recover
30. Death
31. Recover
32. Recover
33. Recover
34. Death
35. Recover
36. Recover
37. Recover
38. Recover
39. Death
40. Recover
41. Recover
42. Death
43. Recover
44. Death
45. Recover
46. Death
47. Recover
48. Death
49. Recover
50. Recover
51. Recover
52. Death
53. Recover
54. Recover
55. Recover
56. Recover
57. Recover

Levels:

1. ‘Death’
2. ‘Recover’

	case_id	outcome	age	male	hospital	days_to_hospital	days_to_outcome	early_outcome	Jiangsu	Other	Shanghai	Zhejiang
	<chr>	<fct>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>	<int>
4	case_4	Recover	18	0	1	8	46	0	1	0	0	0
9	case_9	Recover	39	1	1	0	18	0	0	0	0	1
15	case_15	Death	34	0	0	11	38	1	1	0	0	0
16	case_16	Recover	51	1	0	3	20	0	1	0	0	0
22	case_22	Death	56	1	1	4	17	0	1	0	0	0
28	case_28	Death	51	1	0	6	6	1	0	0	0	1
31	case_31	Recover	43	1	0	4	21	0	1	0	0	0
32	case_32	Recover	46	1	0	3	20	0	1	0	0	0
38	case_38	Recover	28	1	0	2	7	1	1	0	0	0
39	case_39	Recover	38	1	1	0	18	0	0	0	0	1
40	case_40	Death	46	1	1	5	14	1	0	0	0	1
41	case_41	Death	26	0	1	6	28	0	0	0	0	1
42	case_42	Death	25	1	1	7	38	0	0	0	1	0
47	case_47	Recover	44	1	0	6	16	0	1	0	0	0
48	case_48	Recover	37	1	1	6	17	0	0	0	0	1
52	case_52	Death	36	0	0	10	20	1	0	0	0	1
54	case_54	Recover	47	1	0	0	8	0	0	0	0	1
56	case_56	Death	45	1	1	6	17	1	0	0	1	0
62	case_62	Death	40	0	0	11	8	1	0	0	0	1
63	case_63	Death	33	1	0	7	2	1	0	1	0	0
66	case_66	Recover	44	1	0	0	2	1	1	0	0	0
67	case_67	Recover	28	1	0	2	10	0	0	0	0	1
68	case_68	Recover	29	1	0	0	6	0	0	0	0	1
69	case_69	Recover	35	1	0	0	17	0	0	0	0	1
70	case_70	Death	30	0	0	8	31	0	0	0	0	1
71	case_71	Death	44	0	0	8	8	0	0	0	0	1
78	case_80	Death	46	1	0	6	7	0	0	0	0	1
82	case_84	Recover	6	0	0	7	22	1	1	0	0	0
83	case_85	Recover	52	0	1	7	38	1	0	0	1	0
84	case_86	Death	26	0	0	8	11	1	0	0	0	1
86	case_88	Recover	15	1	0	4	18	1	0	1	0	0
88	case_90	Recover	17	1	1	3	11	0	0	0	0	1
90	case_92	Recover	38	0	1	7	22	0	0	0	0	1
91	case_93	Death	28	1	0	5	7	0	0	0	0	1
93	case_95	Recover	13	1	0	2	22	0	0	0	0	1
94	case_96	Recover	17	1	0	4	22	0	1	0	0	0
97	case_99	Recover	40	0	0	8	17	0	0	0	0	1
98	case_100	Recover	30	1	0	11	17	0	0	0	0	1
99	case_101	Death	51	0	0	11	10	0	0	0	0	1
100	case_102	Recover	53	1	0	0	8	0	0	0	0	1
101	case_103	Recover	40	1	1	6	32	0	1	0	0	0
102	case_104	Death	26	0	0	7	8	0	0	0	0	1
103	case_105	Recover	9	1	0	11	17	1	0	0	0	1
106	case_108	Death	55	1	0	3	22	0	0	0	0	1
107	case_109	Recover	35	1	0	0	8	0	0	0	0	1
108	case_110	Death	25	1	1	4	32	0	0	1	0	0
110	case_112	Recover	41	1	0	1	11	0	0	1	0	0
111	case_113	Death	33	0	0	7	13	1	0	0	0	1
112	case_114	Recover	22	0	0	10	8	0	0	0	0	1
113	case_115	Recover	14	1	0	7	10	0	0	0	0	1
116	case_118	Recover	21	1	0	6	57	0	1	0	0	0
118	case_120	Death	33	1	0	3	38	0	1	0	0	0
120	case_122	Recover	14	1	0	5	18	0	0	0	0	1
124	case_126	Recover	52	1	1	10	31	0	0	1	0	0
128	case_130	Recover	41	1	1	1	20	0	0	1	0	0
130	case_132	Recover	51	0	1	0	24	0	0	1	0	0
134	case_136	Recover	23	0	1	1	13	0	0	1	0	0

In [28]:

summary(predict(model_rf, newdata = unknown_data))

Death21Recover36

Resultados

A partir de los datos obtenidos, se puede determinar que de los 57 pacientes con pronóstico desconocido, 21 fallecerán y 36 se recuperarán, lo que indica una tasa de mortalidad del 36,84% para este conjunto de datos.

En cuanto a los pacientes que fallecerán, los datos son los siguientes:

• El 52,38% (11 pacientes) son de sexo masculino y el 47,62% (10 pacientes) son de sexo femenino.
• El 27,27% (6 pacientes) estaban hospitalizados, mientras que el 72,73% (15 pacientes) no lo estaban.
• El 14,28% (3 pacientes) proceden de Jiangsu, el 66,66% (14 pacientes) de Zhenjiang, el 9,52% (2 pacientes) de Shanghai y el 9,52% (2 pacientes) de otras localidades.
• El 42,85% (9 pacientes) tuvieron la enfermedad menos tiempo de lo habitual, lo que indica que murieron más rápidamente.

En cuanto a los pacientes que se recuperarán, se obtienen los siguientes datos:

• El 77,77% (28 pacientes) son de sexo masculino, y el 22,22% (8 pacientes) son de sexo femenino.
• El 33,33% (12 pacientes) estaban hospitalizados, mientras que el 66,66% (24 pacientes) no lo estaban.
• El 30,55% (11 pacientes) proceden de Jiangsu, el 50% (18 pacientes) de Zhenjiang, el 2,77% (1 paciente) de Shanghai y el 16,68% (6 pacientes) de otras localidades.
• El 16,66% (6 pacientes) tuvieron la enfermedad menos tiempo de lo habitual, lo que indica que superaron la enfermedad más rápidamente.

In [29]:

unknown_data$outcome = c('Recover', 'Recover', 'Death', 'Recover', 'Death', 'Death', 'Recover', 'Recover', 'Recover', 'Recover', 'Death', 'Death', 'Death', 'Recover', 
                         'Recover', 'Death', 'Recover', 'Death', 'Death', 'Death', 'Recover', 'Recover', 'Recover', 'Recover', 'Death', 'Death', 'Death', 'Recover', 'Recover', 
                         'Death', 'Recover', 'Recover', 'Recover', 'Death', 'Recover', 'Recover', 'Recover', 'Recover', 'Death', 'Recover', 'Recover', 'Death', 'Recover', 
                         'Death', 'Recover', 'Death', 'Recover', 'Death', 'Recover', 'Recover', 'Recover', 'Death', 'Recover', 'Recover', 'Recover', 'Recover', 'Recover')

par(mfrow=c(1,2))
plot(density(unknown_data$age), main = "Final results of the predictive model",
     xlab = "Forecast", ylab = "Frequency")


hist(unknown_data$age, main = "Histogram of frequencies",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

death_male = unknown_data[ which(unknown_data$male=='1' & unknown_data$outcome=='Death'),]
death_female = unknown_data[ which(unknown_data$male=='0' & unknown_data$outcome=='Death'),]

death_hospital = unknown_data[ which(unknown_data$hospital=='1' & unknown_data$outcome=='Death'),]
death_not_hospital = unknown_data[ which(unknown_data$hospital=='0' & unknown_data$outcome=='Death'),]

death_jiangsu = unknown_data[ which(unknown_data$Jiangsu=='1' & unknown_data$outcome=='Death'),]
death_zhejiang = unknown_data[ which(unknown_data$Zhejiang =='1' & unknown_data$outcome=='Death'),]
death_shanghai = unknown_data[ which(unknown_data$Shanghai=='1' & unknown_data$outcome=='Death'),]
death_other = unknown_data[ which(unknown_data$Other=='1' & unknown_data$outcome=='Death'),]

death_early_outcome = unknown_data[ which(unknown_data$early_outcome=='1' & unknown_data$outcome=='Death'),]
death_not_early_outcome = unknown_data[ which(unknown_data$early_outcome=='0' & unknown_data$outcome=='Death'),]

recover_male = unknown_data[ which(unknown_data$male=='1' & unknown_data$outcome=='Recover'),]
recover_female = unknown_data[ which(unknown_data$male=='0' & unknown_data$outcome=='Recover'),]

recover_hospital = unknown_data[ which(unknown_data$hospital=='1' & unknown_data$outcome=='Recover'),]
recover_not_hospital = unknown_data[ which(unknown_data$hospital=='0' & unknown_data$outcome=='Recover'),]

recover_jiangsu = unknown_data[ which(unknown_data$Jiangsu=='1' & unknown_data$outcome=='Recover'),]
recover_zhejiang = unknown_data[ which(unknown_data$Zhejiang =='1' & unknown_data$outcome=='Recover'),]
recover_shanghai = unknown_data[ which(unknown_data$Shanghai=='1' & unknown_data$outcome=='Recover'),]
recover_other = unknown_data[ which(unknown_data$Other=='1' & unknown_data$outcome=='Recover'),]

recover_early_outcome = unknown_data[ which(unknown_data$early_outcome=='1' & unknown_data$outcome=='Recover'),]
recover_not_early_outcome = unknown_data[ which(unknown_data$early_outcome=='0' & unknown_data$outcome=='Recover'),]

count(death_early_outcome)

n
<int>
9

In [33]:

# Pie Chart
x <-  c(22, 35)
labels <-  c("Deceased","Recovered")
piepercent<- round(100*x/sum(x), 1)
pie(x, labels = piepercent, main = "Deaths & Recoveries comparison",col = rainbow(length(x)))
legend("topright", c("Deceased","Recovered"), cex = 0.8,
       fill = rainbow(length(x)))

par(mfrow=c(2,2))

hist(death_male$age, main = "Total deaths by male gender",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(death_female$age, main = "Total deaths by female gender",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_male$age, main = "Total recovered by male gender",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_female$age, main = "Total recovered by female gender",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

In [31]:

par(mfrow=c(4,2))
hist(death_jiangsu$age, main = "Total deaths in Jiangsu",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_jiangsu$age, main = "Total recovered in Jiangsu",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(death_shanghai$age, main = "Total deaths in Shanghai",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_shanghai$age, main = "Total recovered in Shanghai",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(death_zhejiang$age, main = "Total deaths in Zhejiang",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_zhejiang$age, main = "Total recovered in Zhejiang",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(death_other$age, main = "Total deaths in other location",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

hist(recover_other$age, main = "Total recovered in other location
",
     xlab = "Age",
     ylab = "Frequency",
     col = "red",
     border = "black")

Referencias

• Virus de la gripe aviar A(H7N9). (s.f.). En Who. Recuperado el 20 de marzo de 2020 de https://www.who.int/influenza/human_animal_interface/influenza_h7n9/es/
• Random Forest (s.f.). En Wikipedia. Recuperado el 20 de marzo de 2020 de https://es.wikipedia.org/wiki/Random_forest
• Análisis Exploratorio de Datos. (s.f.). En Wikipedia. Recuperado el 20 de marzo de 2020 de https://es.wikipedia.org/wiki/An%C3%A1lisis_exploratorio_de_datos
• K-vecinos más próximos. (s.f.). En bookdown. Recuperado el 20 de marzo de 2020 de https://es.wikipedia.org/wiki/K_vecinos_m%C3%A1s_pr%C3%B3ximos
•  Elastic Net (s.f.). En Wikipedia. Recuperado el 20 de marzo de 2020 de https://www.interactivechaos.com/manual/tutorial-de-machine-learning/elastic-net
• Hastie, Trevor. Penalized Discriminant Analysis. Stanford University, 1995.
• Nearest shrunken centroids via alternative genewise shrinkages (s.f.). En journals.plos.org. Recuperado el 20 de marzo de 2020 de https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0171068
• Regresión de mínimos cuadrados parciales (s.f.). En wikipedia. Recuperado el 20 de marzo de 2020 de https://es.wikipedia.org/wiki/Regresi%C3%B3n_de_m%C3%ADnimos_cuadrados_parciale
• Medidas de tendencia central y dispersión (s.f.). Recuperado el 20 de marzo de 2020 de https://www.medwave.cl/link.cgi/Medwave/Series/MBE04/4934?ver=sindiseno
• Random Forests (s.f.). Recuperado el 20 de marzo de 2020 de https://link.springer.com/article/10.1023/A:1010933404324
• Random Forests (s.f.). Recuperado el 30 de abril de 2020 de https://www.tutorialspoint.com/data_mining/dm_classification_prediction.htm