El objetivo principal de este proyecto es desarrollar un modelo predictivo para identificar individuos con alto riesgo de suicidio utilizando el conjunto de datos "master.csv", al que llamaremos "suicide_rates_survey". Este modelo tiene la finalidad de asistir en la implementación de intervenciones preventivas efectivas, basadas en un análisis detallado de los factores demográficos asociados al riesgo de suicidio.
Este conjunto de datos, proporcionado por la OMS, incluye estadísticas sobre suicidios desde 1985 hasta 2016. Contiene información detallada sobre:
- Tasas de suicidio por país, edad, y género.
- Características demográficas y económicas como el PIB y el Índice de Desarrollo Humano (IDH).
- Datos de población por grupo de edad y año.
- Descarga: Obtendremos el conjunto de datos "master.csv" desde Kaggle.
- Carga en el Entorno de Análisis: Importaremos los datos en un entorno Jupyter Notebook para su análisis.
- Revisión y Manejo de Valores Nulos: Identificaremos y trataremos los valores faltantes y cualquier dato inconsistente.
- Normalización de Unidades y Categorías: Ajustaremos las unidades de medida y los formatos de las categorías para asegurar la coherencia.
- Limpieza de Duplicados y Corrección de Errores Tipográficos: Eliminaremos duplicados y corregiremos errores en los datos.
- Análisis Descriptivo: Realizaremos un análisis descriptivo para comprender la distribución de las variables en el conjunto de datos.
- Visualizaciones: Usaremos gráficos de barras, histogramas y mapas de calor para identificar patrones y relaciones significativas.
- Análisis de Correlación: Evaluaremos las correlaciones entre variables demográficas y las tasas de suicidio para detectar factores de riesgo.
- Regresión Logística
- LogisticRegression: Modelo de regresión para clasificación binaria o múltiple basado en la estimación de probabilidades.
- Máquinas de Vectores de Soporte (SVM)
- SVC: Support Vector Classification para clasificación de datos, que busca maximizar el margen entre las clases.
- LinearSVC: Versión de SVC que utiliza un clasificador lineal, más eficiente para grandes conjuntos de datos.
- Bosques Aleatorios
- RandomForestClassifier: Modelo de ensamblaje que combina múltiples árboles de decisión para mejorar la precisión y controlar el sobreajuste.
- K-Vecinos Más Cercanos (KNN)
- KNeighborsClassifier: Clasificador basado en la proximidad, que asigna una clase en función de las clases de los k vecinos más cercanos.
- Naive Bayes
- GaussianNB: Clasificador basado en el teorema de Bayes con la suposición de que las características siguen una distribución normal.
- Perceptrón
- Perceptron: Modelo de clasificación lineal que se entrena mediante un algoritmo de descenso de gradiente.
- Clasificador de Descenso de Gradiente Estocástico
- SGDClassifier: Clasificador que utiliza el descenso de gradiente estocástico para optimizar un modelo lineal.
- Árboles de Decisión
- DecisionTreeClassifier: Clasificador que usa un árbol de decisión para dividir los datos en función de características.
Justificación: Estos modelos son adecuados para tareas de clasificación binaria y pueden manejar tanto variables categóricas como continuas, permitiendo una evaluación robusta del riesgo de suicidio.
- División de Datos: Separaremos los datos en conjuntos de entrenamiento, prueba y validación.
- Entrenamiento de Modelos: Utilizaremos validación cruzada para entrenar los modelos y evitar el sobreajuste.
- Evaluación del Rendimiento: Mediremos los siguientes indicadores:
- Exactitud (Accuracy)
accuracy_score: Mide la proporción de predicciones correctas sobre el total de predicciones realizadas.
- Precisión (Precision)
precision_score: Mide la proporción de verdaderos positivos sobre el total de positivos predichos.
- Recuperación (Recall)
recall_score: Mide la proporción de verdaderos positivos sobre el total de positivos reales.
- Puntuación F1 (F1 Score)
f1_score: Media armónica entre precisión y recuperación, útil para evaluar el rendimiento en casos de desequilibrio de clases.
- Matriz de Confusión
confusion_matrix: Matriz que muestra los verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos.
- Informe de Clasificación
classification_report: Informe que incluye precisión, recuperación y puntuación F1 para cada clase, además del soporte.
- Curva ROC y AUC
roc_curve: Calcula la curva de características operativas del receptor (ROC) para la evaluación de clasificación.auc: Calcula el área bajo la curva ROC (AUC), que proporciona una medida del rendimiento general del modelo de clasificación.
- Exactitud (Accuracy)
- Dashboard: Crearemos un dashboard para visualizar las predicciones y probabilidades de riesgo de suicidio.
- Gráficos de Importancia de Características: Mostraremos cuáles características tienen el mayor impacto en la predicción del riesgo de suicidio.
- Tasas de Predicción por Grupos Demográficos: Presentaremos las tasas de predicción diferenciadas por grupos demográficos para identificar áreas de mayor riesgo.
Al finalizar el proyecto, se redactarán conclusiones basadas en los resultados obtenidos del análisis y modelado. Se evaluará la efectividad del modelo predictivo y se propondrán mejoras. Se resumirá lo aprendido a partir del análisis de datos y el proceso de modelado para ofrecer recomendaciones concretas en la prevención del suicidio.
El conjunto de datos actual presenta limitaciones, especialmente en términos de cobertura geográfica. Para mejorar la precisión del modelo, se recomienda la recopilación de datos adicionales como:
- Historial de intentos de suicidio.
- Información sobre suicidios en familiares cercanos.
- Presencia de enfermedades mentales en la familia.
- Uso de medicamentos para trastornos mentales.
- Participación en terapia o búsqueda de ayuda.
- Orientación sexual y cambios de género.
- Experiencias de bullying y violencia.
- Situación económica de la persona.
Estas adiciones permitirían una evaluación más completa y precisa del riesgo de suicidio, mejorando la capacidad del modelo para hacer predicciones efectivas.