# Librerias import pandas as pd # Manejo de DataFrame import matplotlib.pyplot as plt # Libreria gráfica import seaborn as sns # Libreria gráfica import numpy as np # Libreria de algebra lineal import pylab as pl # Módulo que proporciona un espacio de nombres similar a Matlab from sklearn import metrics # Validar nuestro metodo from sklearn.model_selection import train_test_split # Entrenar y divir la información from sklearn.tree import DecisionTreeClassifier # Arboles de decisión from sklearn.ensemble import RandomForestClassifier # Bosques aleatorios from sklearn.linear_model import LogisticRegression # Regresión logistica from sklearn.svm import SVC # Máquinas de vectores de soporte

# Lectura el dataset credit_risk = pd.read_csv("/work/credit_data.csv")

# Primeras 5 filas del dataset credit_risk.head()

# ¿Que columnas tienen los datos? credit_risk.columns

# ¿Que tamaño tiene el dataset? credit_risk.shape

# ¿Hay datos nulos? credit_risk.info()

# ¿Como se distribuyen las variables númericas? credit_risk.describe()

# ¿Como se comportan las variables categoricas? credit_risk.describe(include="O")

credit_risk.info()

# Renombramos las columnas credit_risk = credit_risk.rename(columns={"Age":"Edad", "Sex":"Género", "Job":"Trabajo", "Housing":"Alojamiento", "Saving accounts":"Cuentas de ahorro", "Checking account":"Cuenta de cheques", "Credit amount":"Monto de crédito", "Duration":"Duración", "Purpose":"Propósito", "Risk":"Riesgo"})

# Observamos el cambio de nombres de las columnas credit_risk.columns

# Procedemos a eliminar una columna credit_risk = credit_risk.drop(["Unnamed: 0"], axis=1)

credit_risk.drop(['Género', 'Alojamiento', 'Cuentas de ahorro', 'Cuenta de cheques', 'Propósito', 'Riesgo'],axis=1).hist(bins=30, figsize=(15,15)) pl.suptitle("Histogramas para las variables númericas") plt.show()

# Gráfica de riesgo crediticio plt.figure(figsize=(8,5)) sns.countplot(credit_risk['Riesgo']) plt.title("Personas con o sin riesgo crediticio") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función del género plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Género", palette = "rocket", multiple = "dodge") plt.title("Riesgo en función del género") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función de la cantidad de trabajos plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Trabajo", palette = "Set2", multiple = "dodge") plt.title("Riesgo en función de la cantidad de trabajos") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función del tipo de alojamiento plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Alojamiento", palette = "viridis", multiple = "dodge") plt.title("Riesgo en función del tipo de alojamiento") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función de cuentas de ahorro plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Cuentas de ahorro", palette = "cubehelix", multiple = "dodge") plt.title("Riesgo en función de cuentas de ahorro") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función de cuenta de cheques plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Cuenta de cheques", palette = "dark:salmon_r", multiple = "dodge") plt.title("Riesgo en función de cuenta de cheques") plt.xlabel("Riesgo crediticio") plt.show()

# Riesgo en función del proposito del credito plt.figure(figsize=(8,5)) sns.histplot(data = credit_risk, x = "Riesgo", hue = "Propósito", palette = "icefire", multiple = "dodge") plt.title("Riesgo en función del proposito del credito") plt.xlabel("Riesgo crediticio") plt.show()

credit_risk.info()

# Observamos los valores unicos de las variables print("Edad: ", credit_risk['Edad'].unique()) print("Género: ", credit_risk["Género"].unique()) print("Trabajo: ",credit_risk["Trabajo"].unique()) print("Alojamiento: ",credit_risk["Alojamiento"].unique()) print("Cuentas de ahorro: ",credit_risk["Cuentas de ahorro"].unique()) print("Cuenta de cheques: ",credit_risk["Cuenta de cheques"].unique()) print("Duración: ",credit_risk["Duración"].unique()) print("Propósito: ",credit_risk["Propósito"].unique()) print("Riesgo: ",credit_risk["Riesgo"].unique())

# Convertimos riesgo a dummy credit_risk["Riesgo"] = credit_risk.Riesgo.map({"bad":0, "good":1})

# Terminamos de convertir el resto de variables categoricas a dummy credit_risk = credit_risk.merge(pd.get_dummies(credit_risk["Género"], drop_first=True, prefix="Género"), left_index=True, right_index=True) credit_risk = credit_risk.merge(pd.get_dummies(credit_risk["Alojamiento"], drop_first=True, prefix="Alojamiento"), left_index=True, right_index=True) credit_risk = credit_risk.merge(pd.get_dummies(credit_risk["Cuentas de ahorro"], drop_first=True, prefix="Cuentas de ahorro"), left_index=True, right_index=True) credit_risk = credit_risk.merge(pd.get_dummies(credit_risk["Cuenta de cheques"], drop_first=True, prefix="Cuenta de cheques"), left_index=True, right_index=True) credit_risk = credit_risk.merge(pd.get_dummies(credit_risk["Propósito"], drop_first=True, prefix = "Propósito"),left_index=True, right_index=True)

# Observamos las variables credit_risk.head()

# Eliminamos las variables categoricas credit_risk = credit_risk.drop(["Género", "Alojamiento", "Cuentas de ahorro", "Cuenta de cheques", "Propósito"], axis = 1)

# Obtenemos la información nuevamente de nuestras variables credit_risk.info()

# Matriz de correlación credit_risk.corr()

# Gráfica de matriz de correlación plt.figure(figsize=(10,6)) sns.heatmap(credit_risk.corr(), vmax = 0.9, square= True) plt.title("Matriz de correlación de Pearson") plt.show()

# Creamos nuestra varible dependiente y independientes X = credit_risk.drop(["Riesgo"],axis=1) # Varibles independientes o explicativas Y = credit_risk["Riesgo"] # Variable dependiente riesgo crediticio

# Dividimos nuestros datos X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2, random_state= 0)

# Procedemos a aplicar nuestro algoritmo arbol_decisión = DecisionTreeClassifier(criterion= "entropy") arbol_decisión.fit(X_train, Y_train) # Ejecución del modelo Y_pred_arbol = arbol_decisión.predict(X_test)

# Creamos la matriz de confusión matriz_arbol = metrics.confusion_matrix(Y_test, Y_pred_arbol) matriz_arbol

# Gráficamos la matriz de confusión class_names = [0, 1] fig, ax = plt.subplots() tick_marks = np.arange(len(class_names)) plt.xticks(tick_marks, class_names) plt.yticks(tick_marks, class_names) sns.heatmap(pd.DataFrame(matriz_arbol), annot = True, cmap = "rocket", fmt = "g") ax.xaxis.set_label_position("top") plt.tight_layout() plt.title("Matriz de confusión", y = 1.1) plt.ylabel("Etiqueta actual") plt.xlabel("Etiqueta de predicción")

# Exactitud del modelo print("Exactitud", metrics.accuracy_score(Y_test, Y_pred_arbol))

# Procedemos a aplicar nuestro algoritmo bosques_aleatorios = RandomForestClassifier(n_estimators=10, criterion="entropy") bosques_aleatorios.fit(X_train, Y_train) # Ejecución del modelo Y_pred_bosques = bosques_aleatorios.predict(X_test)

# Creamos la matriz de confusión matriz_bosques = metrics.confusion_matrix(Y_test, Y_pred_bosques) matriz_bosques

# Gráficamos la matriz de confusión class_names = [0, 1] fig, ax = plt.subplots() tick_marks = np.arange(len(class_names)) plt.xticks(tick_marks, class_names) plt.yticks(tick_marks, class_names) sns.heatmap(pd.DataFrame(matriz_bosques), annot = True, cmap = "viridis", fmt = "g") ax.xaxis.set_label_position("top") plt.tight_layout() plt.title("Matriz de confusión", y = 1.1) plt.ylabel("Etiqueta actual") plt.xlabel("Etiqueta de predicción")

# Exactitud del modelo print("Exactitud", metrics.accuracy_score(Y_test, Y_pred_bosques))

# Procedemos aplicar nuestro algoritmo logreg = LogisticRegression() logreg.fit(X_train, Y_train) # Ejecución del modelo Y_pred_log = logreg.predict(X_test)

# Creamos una matriz de confusión matriz_log = metrics.confusion_matrix(Y_test, Y_pred_log) matriz_log

# Gráficamos la matriz de confusión class_names = [0, 1] fig, ax = plt.subplots() tick_marks = np.arange(len(class_names)) plt.xticks(tick_marks, class_names) plt.yticks(tick_marks, class_names) sns.heatmap(pd.DataFrame(matriz_log), annot = True, cmap = "Blues_r", fmt = "g") ax.xaxis.set_label_position("top") plt.tight_layout() plt.title("Matriz de confusión", y = 1.1) plt.ylabel("Etiqueta actual") plt.xlabel("Etiqueta de predicción")

# Exactitud del modelo print("Exactitud", metrics.accuracy_score(Y_test, Y_pred_log))

# Procedemos aplicar nuestro algoritmo vcs = SVC(kernel="linear") vcs.fit(X_train, Y_train) # Ejecución del modelo Y_pred_vcs = vcs.predict(X_test)

# Creamos una matriz de confusión matriz_vcs = metrics.confusion_matrix(Y_test, Y_pred_vcs) matriz_vcs

# Gráficamos la matriz de confusión class_names = [0, 1] fig, ax = plt.subplots() tick_marks = np.arange(len(class_names)) plt.xticks(tick_marks, class_names) plt.yticks(tick_marks, class_names) sns.heatmap(pd.DataFrame(matriz_vcs), annot = True, cmap = "Spectral", fmt = "g") ax.xaxis.set_label_position("top") plt.tight_layout() plt.title("Matriz de confusión", y = 1.1) plt.ylabel("Etiqueta actual") plt.xlabel("Etiqueta de predicción")

# Exactitud del modelo print("Exactitud", metrics.accuracy_score(Y_test, Y_pred_vcs))