Modelo predictivo de diabetes utilizando el proceso CRISP-DM para la prevención de la enfermedad implementando Machine Learning
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Abstract
Introducción— En la era de la información, la minería de datos revela patrones y conocimientos valiosos desde grandes conjuntos de datos, capacitando la toma de decisiones informada.
Objetivo— Este trabajo aspira a desarrollar un modelo avanzado que prevea con precisión la diabetes en sus primeras etapas.
Metodología— Este trabajo emplea la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) como enfoque principal para analizar datos.
Resultados— El modelo de árbol de decisión destaca por su capacidad predictiva superior al algoritmo KNN, logrando discriminar eficazmente entre casos de diabetes y la ausencia de patologías, con una precisión global del 83.01% en la partición de prueba, superando al modelo KNN en capacidad predictiva.
Conclusiones— La minería de datos, especialmente los modelos de árboles de decisión, emerge como una alternativa valiosa para la detección temprana de la diabetes en nuestro conjunto de datos.
Downloads
##plugins.themes.bootstrap3.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista CESTA respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
