Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado
সংরক্ষণ করুন:
| প্রধান লেখক: | |
|---|---|
| অন্যান্য লেখক: | |
| বিন্যাস: | bachelorThesis |
| ভাষা: | spa |
| প্রকাশিত: |
2023
|
| বিষয়গুলি: | |
| অনলাইন ব্যবহার করুন: | http://repositorio.ug.edu.ec/handle/redug/71505 |
| ট্যাগগুলো: |
ট্যাগ যুক্ত করুন
কোনো ট্যাগ নেই, প্রথমজন হিসাবে ট্যাগ করুন!
|
ট্যাগ যুক্ত করুন | _version_ | 1839964705124253696 |
|---|---|
| author | Granizo Freire, Washington Antonio |
| author2 | Ladines Zuñiga, Jeniffer Katiuska |
| author2_role | author |
| author_facet | Granizo Freire, Washington Antonio Ladines Zuñiga, Jeniffer Katiuska |
| author_role | author |
| collection | Repositorio Universidad de Guayaquil |
| dc.contributor.none.fl_str_mv | Lara Gavilanez, Héctor Raúl |
| dc.creator.none.fl_str_mv | Granizo Freire, Washington Antonio Ladines Zuñiga, Jeniffer Katiuska |
| dc.date.none.fl_str_mv | 2023-10-27T20:02:20Z 2023-10-27T20:02:20Z 2023-09 |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | http://repositorio.ug.edu.ec/handle/redug/71505 |
| dc.language.none.fl_str_mv | spa |
| dc.publisher.none.fl_str_mv | Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales. |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositorio Universidad de Guayaquil instname:Universidad de Guayaquil instacron:UG |
| dc.subject.none.fl_str_mv | DIABETES MELLITUS APRENDIZAJE AUTOMÁTICO DETECCIÓN ARBOLES DE DECISIÓN BOOSTING Y REDES NEURONALES. MACHINE LEARNING DETECTION DECISION TREES, BOOSTING AND NEURAL NETWORK |
| dc.title.none.fl_str_mv | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bachelorThesis |
| description | PDF |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | UG_027c4d144812243ab7501ddfd1f09a2b |
| instacron_str | UG |
| institution | UG |
| instname_str | Universidad de Guayaquil |
| language | spa |
| network_acronym_str | UG |
| network_name_str | Repositorio Universidad de Guayaquil |
| oai_identifier_str | oai:repositorio.ug.edu.ec:redug/71505 |
| publishDate | 2023 |
| publisher.none.fl_str_mv | Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales. |
| reponame_str | Repositorio Universidad de Guayaquil |
| repository.mail.fl_str_mv | . |
| repository.name.fl_str_mv | Repositorio Universidad de Guayaquil - Universidad de Guayaquil |
| repository_id_str | 0 |
| spelling | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisadoGranizo Freire, Washington AntonioLadines Zuñiga, Jeniffer KatiuskaDIABETES MELLITUSAPRENDIZAJE AUTOMÁTICODETECCIÓNARBOLES DE DECISIÓNBOOSTING Y REDES NEURONALES.MACHINE LEARNINGDETECTIONDECISION TREES, BOOSTINGAND NEURAL NETWORKPDFDentro de una sociedad más orientado hacia la tecnología, el uso de herramientas informáticas ha impactado de manera positiva diversas áreas del quehacer humano. Un ejemplo se encuentra en el campo de la salud, donde la tecnología desempeña un papel fundamental en la identificación y manejo de enfermedades como la diabetes mellitus. El uso de herramientas tecnológicas, como la inteligencia artificial y el aprendizaje automático, ha demostrado ser prometedor en la predicción y el diagnóstico de esta enfermedad, ilustrando cómo la integración de tecnología puede revolucionar positivamente el ámbito médico. El presente estudio tiene como objeto, evaluar el rendimiento de algoritmos de machine learning en la detección temprana de la diabetes mellitus mediante un análisis comparativo de modelos predictivos. Dentro de la propuesta de titulación se establece la aplicación de árboles de decisión, Boosting y Redes neuronales, siguiendo un enfoque de investigación bibliográfico, experimental y cuantitativo. Los datos para el análisis y entrenamiento de los algoritmos fueron tomados de la plataforma médica Centros para el Control y la Prevención de Enfermedades (CDC), para posterior de aquello realizar el preprocesamiento, depuración, normalización, entrenamiento y evaluación de cada uno de los algoritmos, lo que dio como resultado que el modelo de Gradient Boosting sobresalió al exhibir el mejor rendimiento en términos de sensibilidad y puntuación F1, destacando particularmente en la identificación certera de casos. Logrando concluir que, los modelos evaluados tienen la capacidad de identificar casos positivos de diabetes y, por lo tanto, contribuyen a un diagnóstico temprano y una atención médica oportuna.In a society increasingly oriented towards technology, the use of computer tools has positively impacted various areas of human endeavor. An example is found in the field of health, where technology plays a fundamental role in the identification and management of diseases like diabetes mellitus. The use of technological tools, such as artificial intelligence and machine learning, has shown promise in the prediction and diagnosis of this disease, illustrating how technology integration can positively revolutionize the medical field. The present study aims to evaluate the performance of machine learning algorithms in the early detection of diabetes mellitus through a comparative analysis of predictive models. Within the scope of the thesis proposal, the application of decision trees, Boosting, and Neural Networks is established, following a bibliographic, experimental, and quantitative research approach. Data for the analysis and training of the algorithms were sourced from the Centers for Disease Control and Prevention (CDC) medical platform. Subsequently, data preprocessing, refinement, normalization, training, and evaluation of each algorithm were conducted. The results indicated that the Gradient Boosting model excelled by exhibiting the best performance in terms of sensitivity and F1 score, particularly in accurately identifying cases. In conclusion, the evaluated models demonstrate the capability to identify positive cases of diabetes, thus contributing to early diagnosis and timely medical attention.Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales.Lara Gavilanez, Héctor Raúl2023-10-27T20:02:20Z2023-10-27T20:02:20Z2023-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://repositorio.ug.edu.ec/handle/redug/71505spainfo:eu-repo/semantics/openAccessreponame:Repositorio Universidad de Guayaquilinstname:Universidad de Guayaquilinstacron:UG2023-10-28T11:50:33Zoai:repositorio.ug.edu.ec:redug/71505Institucionalhttp://repositorio.ug.edu.ec/Universidad públicahttps://www.ug.edu.ec/..Ecuador...opendoar:02025-08-09T07:22:42.329435Repositorio Universidad de Guayaquil - Universidad de Guayaquiltrue |
| spellingShingle | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado Granizo Freire, Washington Antonio DIABETES MELLITUS APRENDIZAJE AUTOMÁTICO DETECCIÓN ARBOLES DE DECISIÓN BOOSTING Y REDES NEURONALES. MACHINE LEARNING DETECTION DECISION TREES, BOOSTING AND NEURAL NETWORK |
| status_str | publishedVersion |
| title | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| title_full | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| title_fullStr | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| title_full_unstemmed | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| title_short | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| title_sort | Evaluación y mejoras del rendimiento de las técnicas basadas en arboles de decisión, Boosting y redes neuronales artificiales para la predicción de diabetes mellitus mediante aprendizaje supervisado |
| topic | DIABETES MELLITUS APRENDIZAJE AUTOMÁTICO DETECCIÓN ARBOLES DE DECISIÓN BOOSTING Y REDES NEURONALES. MACHINE LEARNING DETECTION DECISION TREES, BOOSTING AND NEURAL NETWORK |
| url | http://repositorio.ug.edu.ec/handle/redug/71505 |