Bienvenido al Repositorio Institucional de la UTPL (RiUTPL) que tiene como propósito centralizar los recursos educativos y objetos de aprendizaje generados por la comunidad académica;
este repositorio permitirá preservar, organizar y visibilizar la producción institucional
bajo la licencia Creative Commons 4.0.
Please use this identifier to cite or link to this item:
http://dspace.utpl.edu.ec/handle/20.500.11962/29467Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Reátegui Rojas, Ruth María | es_ES |
| dc.contributor.author | Ortiz Torres, Christian Alfonso | es_ES |
| dc.date.accessioned | 2022-01-06T13:08:45Z | - |
| dc.date.available | 2022-01-06T13:08:45Z | - |
| dc.date.issued | 2022 | es_ES |
| dc.identifier.citation | Ortiz Torres, Christian Alfonso. Reátegui Rojas, Ruth María.(2022). Aplicación de técnicas de aprendizaje de máquina para la predicción de riesgos en la salud ginecológica . Universidad Técnica Particular de Loja | es_ES |
| dc.identifier.other | 1350991 | es_ES |
| dc.identifier.uri | http://dspace.utpl.edu.ec/handle/20.500.11962/29467 | - |
| dc.description | Resumen: El cáncer cervical es una de las causas principales de muerte en las mujeres, en el año 2020, se diagnosticaron 604.127 casos de cáncer de cuello uterino, con una mortalidad de 341.831 casos en todo el mundo.El objetivodel presente trabajo es analizar, explorar, comparar e identificar el mejor método de predicción del cáncer cervical aplicando técnicas de machine learning. Para lograr dicho objetivo se analizaron 17 investigaciones obtenidas de seis bases de datos científicas de los últimos 5 años, y, se realizaron experimentos con 7 algoritmos: 1. Decision Tree (DT), 2. Random Forest (RF), 3. Logistic Regression (LR), 4. XGBoost (XG), 5. Naive Bayes (NB), 6. Multi-layer Perceptron (MLP), 7. K-Nearest Neighbors (KNN). Seaplicaron trestécnicas de balanceo de datos: 1. SMOTETomek, 2. SMOTE, 3.ROS, para las cuatro variables objetivo: Hinselmann, Schiller, Citology y Biopsy. Además,se trabajó con accuracy, precisión, recall, f-score, AUC y la curva ROC para evaluar los valores obtenidos de los algoritmos depredicción.El algoritmo que mejor destacó es Random Forestcon un accuracy de 94.57%paraselección de variablesy reducción de variables PCA. | es_ES |
| dc.language.iso | spa | es_ES |
| dc.subject | Inteligencia artificial | es_ES |
| dc.subject | Sistemas informáticos | es_ES |
| dc.subject | Magíster en ciencias y tecnologías de la computación | es_ES |
| dc.subject | Tesis y disertaciones académicas | es_ES |
| dc.title | Aplicación de técnicas de aprendizaje de máquina para la predicción de riesgos en la salud ginecológica | es_ES |
| dc.type | bachelorThesis | es_ES |
| Appears in Collections: | Magister en Ciencias y Tecnologías de la Computación | |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.