# Práctico 6

# Ejercicio 3

# Parte 2

# Instalar el paquete rpart si no lo tienes instalado
install.packages("rpart")

# Cargar el paquete rpart 
library(rpart)

# Crear un data.frame con tus datos
data <- data.frame(
  x1 = c("a", "a", "b", "a", "a", "b", "b", "b"),
  x2 = c("b", "a", "a", "a", "a", "b", "b", "b"),
  y = c(1, 1, 1, 1, -1, -1, -1, -1)
)

# Ajustar el modelo de árbol de clasificación
tree_model <- rpart(y ~ x1 + x2, data = data, minbucket = 1, cp = 0.1)

# Mostrar el árbol resultante
print(tree_model)

par(xpd = NA)  # Permite que las etiquetas estén fuera de los márgenes de la gráfica
par(mar = c(4, 4, 4, 4))  # Ajustar márgenes (inferior, izquierdo, superior, derecho)

# Graficar el árbol
plot(tree_model, uniform = TRUE, main = "Árbol de Clasificación en R")

# Agregar texto al gráfico con más detalles
text(tree_model, use.n = TRUE, all = TRUE, fancy = TRUE, digits = 3, cex = 0.8)



# Para que sea como nuestro árbol, modificamos parametro cp = complexity parameter
# Este parámetro controla la poda del arbol
# El árbol se construye haciendo divisiones que disminuyen la impureza en una cantidad mayor que el valor de cp
tree_model <- rpart(y ~ x1 + x2, data = data, minbucket = 1, cp = 0)

# Mostrar el árbol resultante
print(tree_model)

par(xpd = NA)  
par(mar = c(4, 4, 4, 4))  
plot(tree_model, uniform = TRUE, main = "Árbol de Clasificación en R")
text(tree_model, use.n = TRUE, all = TRUE, fancy = TRUE, digits = 3, cex = 0.8)

summary(tree_model)



# Otra forma de entrenar y plotear el árbol:
# si no lo tiene instalado debe ejecutar install.packages("rpart.plot")
library(rpart.plot)
data$y <- as.factor(data$y)
tree_model <- rpart(y ~ x1 + x2, data = data, method = "class", minbucket = 1, cp = 0)
# Graficar el árbol usando rpart.plot con las clases más frecuentes
rpart.plot(tree_model, type = 3, extra = 104, under = TRUE, fallen.leaves = FALSE, cex = 0.8)

#De esta forma podemos predecir la clase de nuevas observaciones
nuevas_obs <- data.frame(x1 = c("a", "b", "a"), x2 = c("b", "b", "a"))
prediccion_clase <- predict(tree_model, nuevas_obs, type = "class")
print(prediccion_clase)


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


# Ejercicio 8

# Instalamos el paquete del libro ISLR
install.packages("ISLR")

# Cargar el paquete
library(ISLR)

# Cargar el dataset Carseats
data("Carseats")

# Mostrar las primeras filas del dataset
head(Carseats)

# Parte a)

# Para reproducibilidad, fijamos semilla
set.seed(2024)

# Dividimos el conjunto en train y test con la función sample()
train_index <- sample(1:nrow(Carseats), 2/3 * nrow(Carseats))
train_data <- Carseats[train_index, ]
test_data <- Carseats[-train_index, ]