Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.udla.edu.ec/handle/33000/16617
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Morocho Cayamcela, Manuel Eugenio | - |
dc.creator | Calán Juna, Carlos Paul | - |
dc.creator | Pozo Barahona, Selena Vanessa | - |
dc.date.accessioned | 2024-09-09T19:45:52Z | - |
dc.date.available | 2024-09-09T19:45:52Z | - |
dc.date.issued | 2024 | - |
dc.identifier.citation | Calán, J.; Pozo, B. (2024). Modelo predictivo para la prevención de accidentes cerebrovasculares (Tesis de maestría). Universidad de las Américas, Quito. | es_ES |
dc.identifier.other | UDLA-EC-TMINCD-2024-20 | - |
dc.identifier.uri | http://dspace.udla.edu.ec/handle/33000/16617 | - |
dc.description | The objective of this study was to apply and evaluate different Machine Learning algorithms for the prediction of a stroke, with some prediction metrics such as accuracy, ROC AUC area under the ROC curve, precision, recall sensitivity and F1 Score. The research design has a cross sectional, correlational and predictive design. This approach allows you to collect data at a single time point, analyze the relationships between various variables, and develop models that predict the probability of stroke occurrence. The data set was obtained from the Kaggle digital repository, it consists of 5,110 records and 12 variables. The study uses a predictive data analysis methodology that includes several key phases for the development of the project, including data collection, cleaning, EDA analysis, and the selection and preparation of variables. Subsequently, Machine Learning models, such as logistic regression, random forest and neural networks, are applied to build and evaluate these models, using Python and some libraries such as Pandas, Seaborn, Matplotlib and NumPy. Finally, an evaluation of the results of each model was carried out, where it was determined that the one that best fits our objective is logistic regression. | es_ES |
dc.description.abstract | El objetivo de este estudio fue aplicar y evaluar diferentes algoritmos de Machine Learning para la predicción de un ACV, con algunas métricas de predicción como la accuracy, ROC AUC área bajo la curva ROC, precisión, recall sensibilidad y F1 Score. El diseño de la investigación tiene un corte transversal, correlacional y predictivo. Este enfoque permite recopilar datos en un único punto temporal, analizar las relaciones entre diversas variables, y desarrollar modelos que predicen la probabilidad de ocurrencia de un ACV. El conjunto de datos se obtuvo del repositorio digital Kaggle, esta consta de 5,110 registros y 12 variables. El estudio utiliza una metodología de análisis predictivo de datos que comprende varias fases clave para el desarrollo del proyecto, entre ellas la recolección de los datos, la limpieza, el análisis EDA y la selección y preparación de variables. Posteriormente, se aplican modelos de Machine Learning, como regresión logística, random forest y redes neuronales, para construir y evaluar estos modelos, utilizando Python y algunas librerías como Pandas, Seaborn, Matplotlib y NumPy. Finalmente, se realizó una evaluación de los resultados de cada modelo, donde se determinó que el que más se ajusta a nuestro objetivo es la regresión logística. | es_ES |
dc.format.extent | 51 p. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Quito: Universidad de las Américas, 2024 | es_ES |
dc.rights | openAccess | es_ES |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | MODELO PREDICTIVO | es_ES |
dc.subject | MACHINE LEARNING | es_ES |
dc.subject | ACCIDENTES CEREBROVASCULARES | es_ES |
dc.subject | REGRESIÓN LOGÍSTICA | es_ES |
dc.title | Modelo predictivo para la prevención de accidentes cerebrovasculares | es_ES |
dc.type | masterThesis | es_ES |
Aparece en las colecciones: | Maestría en Inteligencia de Negocios y Ciencia de Datos |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UDLA-EC-TMINCD-2024-20.pdf | 1,24 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons