Juan Manuel Jimenez V., Jose Miguel Silva P. 2025-11-15

y

Este análisis clasifica hongos como comestibles o venenosos en el dataset Mushroom de UCI (8.124 observaciones, 23 variables categóricas) usando Naive Bayes Categórico en R. Aspectos clave: Descarga automática y limpieza (manejo de valores faltantes "?"). Análisis exploratorio: distribución de clases y poder discriminativo de variables (destacando odor). Modelado Naive Bayes: comparación entre modelo simple (solo odor) y completo (todas las variables). Validación con 10-fold CV y partición train/test. Comparación con KNN (one-hot encoding y optimización de k). Visualizaciones y métricas clave (Accuracy, matriz de confusión, falsos negativos). Hallazgos principales: Naive Bayes solo con odor logra 98.89% accuracy en test y 98.52% en CV, superando al modelo completo (95.01%). Evidencia de dilución de señal por variables redundantes. KNN alcanza hasta 100% accuracy con k óptimo, pero exige más preprocesamiento y pierde interpretabilidad. Confirmación del principio de parsimonia: la simplicidad prevalece.

An interactive dashboard analyzing flight delays using airline data. Includes visualizations for flight status counts, average departure delays by airline, and the top 10 busiest origin airports. Built with R, data.table, dplyr, and Plotly.

Interactive Flight Delays Dashboard: Explore flight status, departure delays by airline, and busiest airports using 2015 flight data.

Taller en el cual mediante el uso de Rstudio se realiza la practica de Rmardown.