Look-up in Google Scholar
Title: Análisis comparativo de algoritmos de aprendizaje automático para clasificar dengue virus
Advisor(s): Bravo Ruiz, Jaime Arturo
OCDE field: http://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2024
Institution: Universidad Señor de Sipán
Abstract: La enfermedad del dengue, propagada por el mosquito Aedes aegypti, requiere una clasificación precisa de casos para gestionarla de manera efectiva. En este ámbito, la aplicación de algoritmos de aprendizaje automático surge como una herramienta que puede mejorar el diagnóstico y contribuir a estrategias de control más eficientes. Por esta razón, la investigación se enfoca en realizar un análisis comparativo de algoritmos de aprendizaje automático para clasificar el virus del dengue. Se empleó un conjunto de datos de pacientes de un hospital público, recopilando 21,157 datos bajo los criterios de periodo, resultados, sexo, edades, sintomas, autóctono e importado. A través de una revisión de la literatura, se seleccionaron los algoritmos, entre ellos Support Vector Machine, Random Forest y Artificial Neural Network, que demostraron los mejores resultados en precisión. Posteriormente, se fraccionó el conjunto de datos en 14,809 datos (70%) para el entrenamiento y 6,348 datos (30%) para las pruebas. La evaluación del desempeño se llevó a cabo utilizando métricas como precisión, recall y especificidad. Los resultados indicaron que la Red Neuronal Artificial lidera con una precisión del 86.47% y un recall del 92.91% en la clasificación de casos relacionados con el dengue. Al evaluar tres algoritmos de clasificación, la Support Vector Machine destaca por su alto recall, Random Forest presenta un equilibrio sólido, y la Artificial Neural Network exhibe la mayor precisión.
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grade or title: Ingeniero de Sistemas
Juror: Bravo Ruiz, Jaime Arturo; Pinedo Sifuentes, Gianmarco Javier; Bances Saavedra, David Enrique
Register date: 3-Jul-2024



This item is licensed under a Creative Commons License Creative Commons