Predicción de estatus de start-ups con Random Forest

Este repositorio contiene un flujo de trabajo completo en R (archivo startup_status_rf.R) para:

1. Limpiar y preparar una base de datos de start-ups (BD_startups.csv).
2. Transformar variables (normalización y label encoding).
3. Entrenar un modelo de clasificación Random Forest que predice el estatus de la empresa (operating, acquired, closed, etc.).
4. Evaluar el rendimiento con validación cruzada y matriz de confusión.
5. Visualizar la importancia de variables y la distribución de estatus.

---

Estructura de carpetas

.
├── BD_startups.csv            # Base de datos original
├── startup_status_rf.R        # Script principal
└── README.md                  # Este documento

---

Requisitos

Paquete	Propósito
dplyr, tidyr	Limpieza y manipulación de datos
ggplot2	Gráficos
randomForest	Entrenamiento del modelo
caret	Validación cruzada y métricas
countrycode	Conversión de códigos de país (si se requiere)
rnaturalearth, sf (opcional)	Mapas y visualizaciones geoespaciales
rpart, rpart.plot (opcional)	Árboles de decisión interpretables

Instalación rápida

install.packages(c(
  "dplyr", "tidyr", "ggplot2", "randomForest",
  "caret", "countrycode", "rnaturalearth",
  "rnaturalearthdata", "sf", "rpart", "rpart.plot"
))

---

Ejecución paso a paso

1. Clonar / descargar el repositorio y ubicar el archivo startup_status_rf.R.
2. Ajustar la línea setwd("/wd") al directorio donde se encuentra BD_startups.csv.
3. Ejecutar todo el script (RStudio: Source o Ctrl + Shift + Enter; R CLI: source("startup_status_rf.R")).

---

Detalle del flujo

Fase	Descripción
Carga y exploración	Se importan los datos, se inspecciona estructura (str, summary).
Limpieza	- Se corrigen encabezados. - Se eliminan filas/columnas vacías y duplicados. - Se convierten variables categóricas en factor. - Se normalizan métricas numéricas (función normalize).
Codificación	Se aplica label encoding a market y country_code para convertirlos en enteros.
Partición 80/20	caret::createDataPartition() para conjuntos de entrenamiento y prueba.
Entrenamiento	randomForest() con 500 árboles y mtry = 2.
Evaluación	- Predicción sobre test. - confusionMatrix de caret. - Validación cruzada (5 folds).
Visualización	- varImpPlot() de importancia. - Gráfico de barras de estatus. - Heatmap de matriz de confusión con ggplot2.

---

Rendimiento esperado

Tras la ejecución se imprimen:

1. Resumen del modelo Random Forest (OOB error, precisión por clase).
2. Matriz de confusión y métricas (Accuracy, Kappa, Sensitivity, etc.).
3. Resultado de validación cruzada (caret::train) con media y desviación estándar de accuracy.

---

Personalización

• Número de árboles / mtry: ajustar en la llamada randomForest().
• Variables: modificar selected_features para experimentar con columnas adicionales o distintas.
• Método de split: cambiar de Random Forest a otro algoritmo (xgboost, rpart) sustituyendo la sección de entrenamiento.

---

Preguntas frecuentes

Pregunta	Respuesta
¿Por qué se reemplazan “-” por 0 en funding_total_usd?	Algunos registros usan “-” como indicador de “sin financiamiento”. Para modelar se necesitan valores numéricos, por lo que se imputan como 0.
¿Por qué normalizar las métricas financieras?	Mejora la convergencia y evita que variables en distinta escala dominen el cálculo de distancias internas del modelo.
¿Puedo usar One-Hot Encoding en vez de label encoding?	Sí. Sustituya el bloque de codificación por model.matrix(~ market + country_code - 1, data).

---

Licencia

Este proyecto se distribuye bajo licencia MIT. Consulte el archivo LICENSE para más información.