
################################################################################
### Árvores de regressão baseadas em modelos (MOB)
### Aplicação - Valores de imóveis em Boston
################################################################################

################################################################################
### Pacotes
################################################################################

library(partykit)
library(mlbench)
library(ggplot2)
library(ggeffects)

options(device = "x11")

################################################################################
### Leitura e exploração dos dados
################################################################################

data("BostonHousing", package = "mlbench")

help("BostonHousing")

dim(BostonHousing)
head(BostonHousing, 10)
summary(BostonHousing)

################################################################################
### Preparação dos dados
################################################################################

## Transformação logarítmica
BostonHousing$lstat <- log(BostonHousing$lstat)

## Recodificação das variáveis categóricas
BostonHousing$chas <- factor(BostonHousing$chas, levels = 0:1,
                             labels = c("no", "yes"))

BostonHousing$rad <- factor(BostonHousing$rad, ordered = TRUE)

summary(BostonHousing)

################################################################################
### Ajuste da árvore MOB
################################################################################

## Resposta: valor mediano dos imóveis (medv)
## Preditores do modelo: lstat e rm
## Variáveis candidatas às partições: demais características

## Modelo linear em cada nó terminal
ajuste_Boston <- mob(
    medv ~ lstat + rm | zn + indus + chas + nox + age +
        dis + rad + tax + crim + b + ptratio,
    data = BostonHousing,
    model = linearModel,
    control = mob_control(minsplit = 40)
)

################################################################################
### Resultados e visualização
################################################################################

## Representação simbólica da árvore
ajuste_Boston

## Visualização da árvore
plot(ajuste_Boston)

## Coeficientes dos modelos lineares nos nós terminais
coef(ajuste_Boston)

## Identificação dos nós terminais
nos_finais <- nodeids(ajuste_Boston, terminal = TRUE)
nos_finais

## Coeficientes por nó terminal
for (no in nos_finais) {
    cat("\nNó terminal:", no, "\n")
    print(coef(ajuste_Boston, node = no))
}

## Resumos dos modelos ajustados por nó terminal
for (no in nos_finais) {
    cat("\nNó terminal:", no, "\n")
    print(summary(ajuste_Boston, node = no))
}

################################################################################
### Medidas de ajuste
################################################################################

## Erro quadrático médio
mean((BostonHousing$medv - fitted(ajuste_Boston))^2)

## Log-verossimilhança
logLik(ajuste_Boston)

## Deviance
deviance(ajuste_Boston)

## Critérios de informação
AIC(ajuste_Boston)
BIC(ajuste_Boston)

################################################################################
### Modelo linear equivalente
################################################################################

## Identificação dos nós terminais na base
BostonHousing$nodes <- factor(predict(ajuste_Boston, type = "node"))

## Modelo linear com coeficientes específicos por nó
ajuste_lm <- lm(medv ~ (lstat + rm) * nodes, data = BostonHousing)

summary(ajuste_lm)

################################################################################
### Predições - Número médio de cômodos (rm)
################################################################################

## Predições por nó terminal
pred_rm <- ggpredict(ajuste_lm, terms = c("rm", "nodes"))

## Visualização das predições
ggplot(pred_rm, aes(x = x, y = predicted)) +
    geom_line(linewidth = 1, color = "#377EB8") +
    facet_wrap(~ group) +
    labs(x = "Número médio de cômodos (rm)",
         y = "Valor predito dos imóveis") +
    theme_bw(base_size = 14)

################################################################################
### Predições - Percentual de população de menor status (lstat)
################################################################################

## Predições por nó terminal
pred_lstat <- ggpredict(ajuste_lm, terms = c("lstat", "nodes"))

## Visualização das predições
ggplot(pred_lstat, aes(x = x, y = predicted)) +
    geom_line(linewidth = 1, color = "#377EB8") +
    facet_wrap(~ group) +
    labs(x = "Logaritmo de lstat",
         y = "Valor predito dos imóveis") +
    theme_bw(base_size = 14)