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/jspui/handle/20.500.11962/29667| Title: | Aplicación de técnicas de aprendizaje máquina para predecir problemas cardíacos en pacientes obesos |
| Authors: | Morillo Velepucha, Diego Fernando |
| metadata.dc.contributor.advisor: | Reátegui Rojas, Ruth María |
| Keywords: | Inteligencia artificial Aplicación Magíster en ciencias y tecnologías de la computación Tesis y disertaciones académicas |
| metadata.dc.date.available: | 2022-02-16T13:17:32Z |
| Issue Date: | 2022 |
| Citation: | Morillo Velepucha, Diego Fernando. Reátegui Rojas, Ruth María.(2022). Aplicación de técnicas de aprendizaje máquina para predecir problemas cardíacos en pacientes obesos . Universidad Técnica Particular de Loja |
| Description: | Resumen: La obesidad es uno de los principales problemas de salud pública a nivel mundial, del cual se derivan un gran número de enfermedades y síndromes como es el caso de la insuficiencia cardiaca. Actualmente, técnicas de aprendizaje de máquina han sido utilizados ampliamente para predecir una gran variedad de enfermedades. Por tanto, en la presente investigación se tiene como objetivo evaluar algoritmos de aprendizaje máquina para poder predecir la enfermedad de insuficiencia cardíaca. Se trabajó conun dataset de 412 resúmenes médicos de pacientes que padecen principalmente obesidad y sobrepeso. Dicho dataset consta de 342 característicascomo enfermedades, medicamentos, tratamientos, entre otros. Dado el extenso número de características se usaron técnicas de seleccióncomo Chi Square y Mutual Information y también la técnica de reducción de dimensionalidad PCA. Se aplicaron 5 algoritmos supervisados, de los cuales Random Forest y Naive Bayes se destacaron con una precisión de 0.94 y 0.83 respectivamente, utilizando la técnica Mutual Information. |
| metadata.dc.identifier.other: | 1351803 |
| URI: | http://dspace.utpl.edu.ec/handle/20.500.11962/29667 |
| metadata.dc.type: | bachelorThesis |
| 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.