Ejemplo árboles de decisión empresas en re organización

Ejemplo árboles de decisión empresas en re organización#

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as mtick
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score, roc_curve
from sklearn.metrics import ConfusionMatrixDisplay, precision_score, precision_recall_curve, recall_score, accuracy_score, f1_score
# path = "BD empresas re organización.xlsx"

path = "BD empresas en re organización.xlsx"

xls = pd.ExcelFile(path)

df = pd.read_excel(path, sheet_name=xls.sheet_names[0])

df.head()
Razón Social Margen EBIT Carga financiera Margen neto CxC CxP Solvencia Apalancamiento En Reorganización
0 AACER SAS 0.071690 0.000000 0.042876 0.104095 0.153192 1.877078 1.642505 0
1 ABARROTES EL ROMPOY SAS 0.017816 0.000000 0.010767 0.018414 0.000000 0.000000 0.865044 0
2 ABASTECIMIENTOS INDUSTRIALES SAS 0.144646 0.054226 0.059784 0.227215 0.025591 1.077412 1.272299 0
3 ACME LEON PLASTICOS SAS 0.004465 0.000000 -0.013995 0.073186 0.127866 0.000000 1.391645 0
4 ADVANCED PRODUCTS COLOMBIA SAS 0.141829 0.050810 0.053776 0.398755 0.147678 0.675073 2.118774 0
# Conteo absoluto
conteo_clases = df['En Reorganización'].value_counts()
# Porcentaje
porcentaje_clases = df['En Reorganización'].value_counts(normalize=True) * 100

# Mostrar conteo y porcentaje
print("Cantidad de empresas por clase:")
print(conteo_clases)
print("\nPorcentaje de empresas por clase:")
print(porcentaje_clases.round(2))
Cantidad de empresas por clase:
En Reorganización
1    342
0    287
Name: count, dtype: int64

Porcentaje de empresas por clase:
En Reorganización
1    54.37
0    45.63
Name: proportion, dtype: float64

Árboles de decisión:#

# ------------------------
# Selección de variables
# ------------------------
variables_seleccionadas = ['Margen EBIT',
                           'Carga financiera',
                           'Margen neto',
                           'CxC',
                           'CxP',
                           'Solvencia',
                           'Apalancamiento']

# Variable objetivo
target = 'En Reorganización'

# ------------------------
# Preparar datos
# ------------------------
X = df[variables_seleccionadas]
y = df[target]

# Estandarizar variables
# scaler = StandardScaler()
# X_scaled = scaler.fit_transform(X)

# Dividir en entrenamiento y prueba (70%-30%)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=35, stratify=y)

stratify=y le dice a train_test_split que mantenga la misma proporción de clases de y (variable objetivo) en los subconjuntos de train y test.

# ------------------------
# Ajustar el modelo
# ------------------------
model = DecisionTreeClassifier(
    max_depth=None, min_samples_split=10, min_samples_leaf=2, random_state=34
)
model.fit(X_train, y_train)

# ------------------------
# Predicciones
# ------------------------
y_pred_train = model.predict(X_train)
y_prob_train = model.predict_proba(X_train)[:, 1]

y_pred = model.predict(X_test)
y_prob = model.predict_proba(X_test)[:, 1]
# ------------------------
# Evaluación del modelo
# ------------------------
cm_train = confusion_matrix(y_train, y_pred_train, labels=[0,1])
cm_df_train = pd.DataFrame(cm_train, index=["Real 0", "Real 1"], columns=["Predicho 0", "Predicho 1"])

plt.figure(figsize=(5.2,4.2))
sns.heatmap(cm_train, annot=True, fmt="d", cbar=True, linewidths=.5, cmap="coolwarm")
plt.title("Matriz de confusión - train")
plt.xlabel("Predicho"); plt.ylabel("Real")
plt.tight_layout()
plt.show()

cm = confusion_matrix(y_test, y_pred, labels=[0,1])
cm_df = pd.DataFrame(cm, index=["Real 0", "Real 1"], columns=["Predicho 0", "Predicho 1"])

plt.figure(figsize=(5.2,4.2))
sns.heatmap(cm_df, annot=True, fmt="d", cbar=True, linewidths=.5, cmap="coolwarm")
plt.title("Matriz de confusión - Test")
plt.xlabel("Predicho"); plt.ylabel("Real")
plt.tight_layout()
plt.show()
../../../_images/output_8_02.png ../../../_images/output_8_1.png
print("\n=== Reporte de Clasificación - train ===")
print(classification_report(y_train, y_pred_train))

print("\n=== Reporte de Clasificación - test ===")
print(classification_report(y_test, y_pred))
=== Reporte de Clasificación - train ===
              precision    recall  f1-score   support

           0       0.93      0.93      0.93       201
           1       0.94      0.94      0.94       239

    accuracy                           0.93       440
   macro avg       0.93      0.93      0.93       440
weighted avg       0.93      0.93      0.93       440


=== Reporte de Clasificación - test ===
              precision    recall  f1-score   support

           0       0.83      0.80      0.82        86
           1       0.84      0.86      0.85       103

    accuracy                           0.84       189
   macro avg       0.84      0.83      0.83       189
weighted avg       0.84      0.84      0.84       189
# ============================
# ROC AUC Score
# ============================
auc_train = roc_auc_score(y_train, y_prob_train)
auc_test = roc_auc_score(y_test, y_prob)

print(f"ROC AUC - Train: {auc_train:.3f}")
print(f"ROC AUC - Test : {auc_test:.3f}")

# ============================
# Curva ROC (Train y Test)
# ============================
fpr_train, tpr_train, _ = roc_curve(y_train, y_prob_train)
fpr_test, tpr_test, _ = roc_curve(y_test, y_prob)

plt.figure(figsize=(8, 6))
plt.plot(fpr_train, tpr_train, label=f'Train (AUC = {auc_train:.2f})', color='blue')
plt.plot(fpr_test, tpr_test, label=f'Test  (AUC = {auc_test:.2f})', color='orange')
plt.plot([0, 1], [0, 1], 'k--', label='Azar')
plt.xlabel("False Positive Rate")
plt.ylabel("True Positive Rate")
plt.title("Curva ROC - Train y Test")
plt.legend(loc="lower right")
plt.grid(True)
plt.tight_layout()
plt.show()
ROC AUC - Train: 0.989
ROC AUC - Test : 0.883
../../../_images/output_10_11.png
# Calcular precisión y recall para diferentes umbrales
precision, recall, thresholds = precision_recall_curve(y_test, y_prob)

# Agregar el umbral 0 para completar el array de thresholds
thresholds = np.append(thresholds, 1)

# Graficar precisión y recall en función del umbral
plt.figure(figsize=(10, 6))
plt.plot(thresholds, precision, label="Precisión")
plt.plot(thresholds, recall, label="Recall")
plt.xlabel("Umbral")
plt.ylabel("Precisión/Recall")
plt.title("Precisión y Recall en función del umbral")
plt.legend()
plt.grid(True)
plt.show()
../../../_images/output_11_01.png
plt.figure(figsize=(8, 6))
plt.plot(recall, precision, marker=".", label="Regresión Logística")
plt.xlabel("Recall")
plt.ylabel("Precisión")
plt.title("Curva de Precisión-Recall")
plt.legend()
plt.grid(True)
plt.show()
../../../_images/output_12_01.png
y_prob
array([0.57142857, 0.        , 0.5       , 0.5       , 0.        ,
       0.66666667, 0.        , 0.        , 0.        , 1.        ,
       0.        , 0.66666667, 0.        , 0.        , 1.        ,
       0.5       , 0.        , 1.        , 0.16666667, 0.        ,
       0.8       , 1.        , 0.        , 0.        , 1.        ,
       1.        , 1.        , 1.        , 0.57142857, 1.        ,
       0.        , 0.        , 1.        , 1.        , 1.        ,
       1.        , 0.        , 1.        , 1.        , 0.57142857,
       1.        , 0.6       , 1.        , 0.        , 0.        ,
       1.        , 1.        , 0.        , 0.57142857, 0.        ,
       1.        , 0.25      , 0.        , 1.        , 1.        ,
       0.        , 0.        , 1.        , 0.        , 0.        ,
       0.        , 1.        , 0.        , 1.        , 0.        ,
       1.        , 0.6       , 0.2       , 0.57142857, 1.        ,
       0.        , 0.        , 0.66666667, 0.25      , 0.2       ,
       1.        , 0.        , 0.66666667, 0.        , 0.        ,
       0.        , 0.        , 0.        , 0.        , 0.        ,
       1.        , 1.        , 0.        , 1.        , 1.        ,
       1.        , 0.        , 0.66666667, 1.        , 1.        ,
       1.        , 0.        , 1.        , 0.        , 1.        ,
       0.        , 1.        , 1.        , 0.66666667, 1.        ,
       1.        , 0.        , 0.        , 1.        , 1.        ,
       0.        , 0.66666667, 0.        , 1.        , 0.        ,
       0.2       , 1.        , 0.        , 0.        , 0.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       0.66666667, 0.        , 0.66666667, 0.        , 0.        ,
       0.        , 1.        , 1.        , 1.        , 0.66666667,
       1.        , 1.        , 0.6       , 0.66666667, 1.        ,
       0.        , 0.5       , 0.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 0.57142857, 0.        ,
       1.        , 0.6       , 1.        , 1.        , 0.        ,
       0.5       , 0.        , 1.        , 1.        , 1.        ,
       1.        , 0.5       , 0.        , 0.66666667, 1.        ,
       1.        , 0.5       , 1.        , 0.57142857, 0.        ,
       1.        , 0.        , 1.        , 0.5       , 1.        ,
       0.        , 0.5       , 0.        , 1.        , 0.8       ,
       0.66666667, 0.        , 1.        , 1.        , 0.        ,
       1.        , 0.        , 0.        , 0.6       ])
# DataFrame con probas y clase real
df_deciles = pd.DataFrame({'y_real': y_test, 'y_proba': y_prob})

# Crear deciles (1 = más alto riesgo, 10 = más bajo)
df_deciles['Decil'] = pd.qcut(df_deciles['y_proba'], 10, labels=False, duplicates='drop') + 1
df_deciles['Decil'] = 11 - df_deciles['Decil']   # invertir para que el decil 1 sea el de mayor riesgo

# Calcular tasa por decil
tabla_deciles = df_deciles.groupby('Decil').agg(
    Total=('y_real','count'),
    Positivos=('y_real','sum')
)
tabla_deciles['Tasa'] = tabla_deciles['Positivos'] / tabla_deciles['Total']
tabla_deciles['Lift'] = tabla_deciles['Tasa'] / df_deciles['y_real'].mean()
tabla_deciles['Captura_Acum'] = tabla_deciles['Positivos'].cumsum() / df_deciles['y_real'].sum()

print(f"Tasa de positivos reales en test: {df_deciles['y_real'].mean():.2f}")

print(tabla_deciles)

# --- 📊 Gráfico ---
plt.figure(figsize=(8,5))
plt.plot(tabla_deciles.index, tabla_deciles['Tasa'], marker='o', linestyle='-', color='blue')
plt.title("Tasa de positivos por decil")
plt.xlabel("Decil")
plt.ylabel("Tasa de clase 1")
plt.grid(True)
plt.show()
Tasa de positivos reales en test: 0.54
       Total  Positivos      Tasa      Lift  Captura_Acum
Decil
8         94         80  0.851064  1.561661      0.776699
9         12          9  0.750000  1.376214      0.864078
10        83         14  0.168675  0.309510      1.000000
../../../_images/output_14_1.png

Cambio de umbral:#

# Crear lista de umbrales a evaluar
umbrales = np.arange(0.1, 0.91, 0.05)

# Lista para almacenar resultados
resultados = []

for umbral in umbrales:
    y_pred_umbral = (y_prob >= umbral).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_test, y_pred_umbral).ravel()

    precision = precision_score(y_test, y_pred_umbral, zero_division=0)
    recall = recall_score(y_test, y_pred_umbral)
    specificity = tn / (tn + fp)
    accuracy = accuracy_score(y_test, y_pred_umbral)
    f1 = f1_score(y_test, y_pred_umbral)

    resultados.append({
        'Umbral': umbral,
        'Precision': precision,
        'Recall (Sensibilidad)': recall,
        'Especificidad': specificity,
        'Accuracy': accuracy,
        'F1-score': f1
    })

# Convertir a DataFrame
df_resultados = pd.DataFrame(resultados)

# Mostrar tabla
plt.figure(figsize=(12, 6))
sns.lineplot(data=df_resultados.set_index('Umbral'))
plt.title('Métricas por Umbral de Decisión')
plt.ylabel('Valor')
plt.gca().yaxis.set_major_formatter(mtick.PercentFormatter(1.0))
plt.grid(True)
plt.show()

df_resultados
../../../_images/output_16_01.png
Umbral Precision Recall (Sensibilidad) Especificidad Accuracy F1-score
0 0.10 0.776860 0.912621 0.686047 0.809524 0.839286
1 0.15 0.776860 0.912621 0.686047 0.809524 0.839286
2 0.20 0.786325 0.893204 0.709302 0.809524 0.836364
3 0.25 0.800000 0.893204 0.732558 0.820106 0.844037
4 0.30 0.800000 0.893204 0.732558 0.820106 0.844037
5 0.35 0.800000 0.893204 0.732558 0.820106 0.844037
6 0.40 0.800000 0.893204 0.732558 0.820106 0.844037
7 0.45 0.800000 0.893204 0.732558 0.820106 0.844037
8 0.50 0.839623 0.864078 0.802326 0.835979 0.851675
9 0.55 0.839623 0.864078 0.802326 0.835979 0.851675
10 0.60 0.851064 0.776699 0.837209 0.804233 0.812183
11 0.65 0.851064 0.776699 0.837209 0.804233 0.812183
12 0.70 0.913580 0.718447 0.918605 0.809524 0.804348
13 0.75 0.913580 0.718447 0.918605 0.809524 0.804348
14 0.80 0.924051 0.708738 0.930233 0.809524 0.802198
15 0.85 0.924051 0.708738 0.930233 0.809524 0.802198
16 0.90 0.924051 0.708738 0.930233 0.809524 0.802198
umbral_optimo = 0.55

y_pred_final = (y_prob >= umbral_optimo).astype(int)

cm_df_final = confusion_matrix(y_test, y_pred_final)

plt.figure(figsize=(5.2,4.2))
sns.heatmap(cm_df_final, annot=True, fmt="d", cbar=True, linewidths=.5, cmap="coolwarm")
plt.title("Matriz de confusión - Test")
plt.xlabel("Predicho"); plt.ylabel("Real")
plt.tight_layout()
plt.show()

print("\nReporte de Clasificación:")
print(classification_report(y_test, y_pred_final))

print(f"ROC AUC: {roc_auc_score(y_test, y_prob):.3f}")
../../../_images/output_17_0.png
Reporte de Clasificación:
              precision    recall  f1-score   support

           0       0.83      0.80      0.82        86
           1       0.84      0.86      0.85       103

    accuracy                           0.84       189
   macro avg       0.84      0.83      0.83       189
weighted avg       0.84      0.84      0.84       189

ROC AUC: 0.883
# DataFrame con probas y clase real
df_deciles = pd.DataFrame({'y_real': y_pred_final, 'y_proba': y_prob})

# Crear deciles (1 = más alto riesgo, 10 = más bajo)
df_deciles['Decil'] = pd.qcut(df_deciles['y_proba'], 10, labels=False, duplicates='drop') + 1
df_deciles['Decil'] = 11 - df_deciles['Decil']   # invertir para que el decil 1 sea el de mayor riesgo

# Calcular tasa por decil
tabla_deciles = df_deciles.groupby('Decil').agg(
    Total=('y_real','count'),
    Positivos=('y_real','sum')
)
tabla_deciles['Tasa'] = tabla_deciles['Positivos'] / tabla_deciles['Total']
tabla_deciles['Lift'] = tabla_deciles['Tasa'] / df_deciles['y_real'].mean()
tabla_deciles['Captura_Acum'] = tabla_deciles['Positivos'].cumsum() / df_deciles['y_real'].sum()

print(f"Tasa de positivos reales en test: {df_deciles['y_real'].mean():.2f}")

print(tabla_deciles)

# --- 📊 Gráfico ---
plt.figure(figsize=(8,5))
plt.plot(tabla_deciles.index, tabla_deciles['Tasa'], marker='o', linestyle='-', color='blue')
plt.title("Tasa de positivos por decil")
plt.xlabel("Decil")
plt.ylabel("Tasa de clase 1")
plt.grid(True)
plt.show()
Tasa de positivos reales en test: 0.56
       Total  Positivos  Tasa      Lift  Captura_Acum
Decil
8         94         94   1.0  1.783019      0.886792
9         12         12   1.0  1.783019      1.000000
10        83          0   0.0  0.000000      1.000000
../../../_images/output_18_1.png