Modelo del Predictivo de la Bolsa de Valores de Lima

La predicción de las bolsas de valores es un área importante de interés de investigadores y analistas de inversiones. En los últimos años la Bolsa de Valores de Lima ha experimentado volatilidades magnificadas debido a la automatización de los mercados bursátiles y los inversionistas disponen de información en forma más inmediata lo que les permite tomar decisiones de inversion en momentos cada vez más cortos. El presente estudio propone el análisis de los factores que influyen en su comportamiento y un modelo de predicción basado en redes neuronales LSTM sobre el comportamiento del Índice General de la Bolsa de Valores de Lima (IGBVL).

Integrantes:
Juan Pablo Mansilla
Teodosio Chavez

Archivos:
https://drive.google.com/drive/folders/ ... sp=sharing

Video:

Nombre: Juan Pablo Jesús Mansilla López

1. Título: Linaje Genómico de las Pruebas Moleculares del INS para el Covid19

2. Resumen

El presente trabajo trata sobre la agrupación de datos de las pruebas moleculares de COVID19 tomadas de la base de datos del INS. El dataset de datos tuvo que ser preparado consignado la descripción de la variante según el tipo de linaje. Se tomó el 100% de los datos para el entrenamiento con el algoritmo k-means formado 5 clusters. Luego de las evaluaciones se consideró tomar las variables grupo etareo y variante para formar los clusters siguientes: adulto-lambda, joven-‘Linaje Peruano', adulto-gamma, adulto-alfa y adulto-otros.

3. Descripción de DataSet

Enlace a la fuente de datos abiertos:
Dataset - Resultado de Linaje Genómico de Pruebas Moleculares del Instituto Nacional de Salud para COVID-19 (INS) | Plataforma Nacional de Datos Abiertos
https://www.datosabiertos.gob.pe/datase ... l-de-salud

Los datos que fueron importados al modelo mantienen la estructura siguiente: grupo_etareo, edad, sexo, institución, departamento, linaje y variante. Asimismo, el tratamiento de datos se realizó mediante sentencias SQL las cuales se presentan a continuación:

select edad,
grupoetareo = case
when edad<=4 then 'Infante'
when (edad>=5 and edad<=9) then 'Nino'
when (edad>=10 and edad<=14) then 'Adolescente'
when (edad>=15 and edad<=29) then 'Joven'
when (edad>=30 and edad<=64) then 'Adulto'
when (edad>=65) then 'Tercera Edad'
end,
sexo,
Institucion,
departamento = case
when departamento_paciente = '' then 'CALLAO'
else departamento_paciente
end,
resultado,
Linaje = substring(resultado, 8, len(resultado))
into #pmgenoma
from [dbo].[pmGenoma_25Septiembre2021]

select grupoetareo,
edad,
sexo,
Institucion,
departamento,
Linaje,
variante = case
when (rtrim(linaje) = 'B.1' or rtrim(linaje) = 'B.1.1' or rtrim(linaje) =
'B.1.1.1')then 'Alfa'
when (rtrim(linaje) = 'P.1' or rtrim(linaje) = 'P.1.4' or rtrim(linaje) =
'P.1.7') then 'Gamma'
when (rtrim(linaje) = 'B.1.62' or rtrim(linaje) = 'B.1.621.1' or
rtrim(linaje) = 'B.1.621') then 'Mu'
when rtrim(linaje) = 'AY.4' then 'Delta Plus'
when (rtrim(linaje) = 'B.1.1.348' or rtrim(linaje) = 'C.37') then 'Lambda'
when (rtrim(linaje) = 'B.1.617.2' or rtrim(linaje) = 'AY.12' or rtrim(linaje)
= 'AY.11') then 'Delta'
when rtrim(linaje) = 'B.1.1.485' then 'Linaje Suizo'
when (rtrim(linaje) = 'C.4' or rtrim(linaje) = 'C.14') then 'Linaje Peruano'
when rtrim(linaje) = 'B.1.1.7' then 'Linaje Nueva Zelanda'
when rtrim(linaje) = 'AY.25' or rtrim(linaje) = 'AY.20' or rtrim(linaje) =
'AY.14' then 'Linaje USA'
else 'Otros'
end
into pmgenoma3
from #pmgenoma

El gráfico siguiente presenta la distribución por edades y grupo etáreo de los datos cargados en los que se aprecia una presencia notoria de población adulta seguida de población joven en la participación de toma de pruebas de COVID19. Asimismo, la distribución por género es de 49.25% para hombres y 50.75% para mujeres.

De otra parte, las tomas de muestras han sido realizadas en su mayor parte en Lima con una participación de 26% seguido de Arequipa con 8%, La Libertad, Junín entre otros.

4. Descripción de los resultados obtenidos con la técnica K-Means
Luego de realizar las verificaciones se consideró que se formen 5 clusters; asimismo, incluir sólo variables relevantes retirando de la evaluación edad, sexo, institución y departamento. El enfoque se dirigió a formar los clusters basados en grupos etáreo y variante.

=== Run information ===

Scheme: weka.clusterers.SimpleKMeans -init 0 -max-candidates 100 -periodic-pruning 10000 -min-density 2.0 -t1 -1.25 -t2 -1.0 -N 5 -A "weka.core.EuclideanDistance -R first-last" -I 500 -num-slots 1 -S 10
Relation: Linaje
Instances: 6371
Attributes: 7
grupoetareo
variante
Ignored:
edad
sexo
Institucion
departamento
Linaje
Test mode: evaluate on training data


=== Clustering model (full training set) ===


kMeans
======

Number of iterations: 3
Within cluster sum of squared errors: 2597.0

Initial starting points (random):

Cluster 0: Adulto,Lambda
Cluster 1: Joven,'Linaje Peruano'
Cluster 2: Adulto,Gamma
Cluster 3: Adulto,Alfa
Cluster 4: Adulto,Otros

Missing values globally replaced with mean/mode

Final cluster centroids:
Cluster#
Attribute Full Data 0 1 2 3 4
(6371.0) (4248.0) (920.0) (937.0) (142.0) (124.0)
=========================================================================================
grupoetareo Adulto Adulto Joven Adulto Adulto Adulto
variante Lambda Lambda Gamma Gamma Alfa Otros

Time taken to build model (full training data) : 0.01 seconds

=== Model and evaluation on training set ===

Clustered Instances

0 4248 ( 67%)
1 920 ( 14%)
2 937 ( 15%)
3 142 ( 2%)
4 124 ( 2%)

5. Conclusiones

• Luego del anáisis de los datos, se consideró por conveniente limpiar y consolidar datos con el apoyo de sentencias SQL; se propuso crear las agrupaciones grupo etáreo y variante a partir de los datos edad y linaje proveniente del dataset.

• Se consideró formar 5 clusters incluyendo las variables consolidadas grupo etáreo y variante considerando los clusters: adulto-lambda, Joven-linaje peruano, adulto-ganma, adulto-alfa y adulto-otros; los dos últimos con una participación menor 4% podrían ser unificados y considerados como un solo cluster de adulto-otros (se absorbe a adulto-alfa en otros) consolidado en 4 clusters.

Nombre: Juan Pablo Jesús Mansilla López

1. Título: Linaje Genómico de las Pruebas Moleculares del INS para el Covid19

2. Resumen

El presente trabajo trata sobre la agrupación de datos de las pruebas moleculares de COVID19 tomadas de la base de datos del INS. El dataset de datos tuvo que ser preparado consignado la descripción de la variante según el tipo de linaje. Se tomó el 100% de los datos para el entrenamiento con el algoritmo k-means formado 5 clusters. Luego de las evaluaciones se consideró tomar las variables grupo etareo y variante para formar los clusters siguientes: adulto-lambda, joven-‘Linaje Peruano', adulto-gamma, adulto-alfa y adulto-otros.

3. Descripción de DataSet

Enlace a la fuente de datos abiertos:
Dataset - Resultado de Linaje Genómico de Pruebas Moleculares del Instituto Nacional de Salud para COVID-19 (INS) | Plataforma Nacional de Datos Abiertos
https://www.datosabiertos.gob.pe/datase ... l-de-salud

Los datos que fueron importados al modelo mantienen la estructura siguiente: grupo_etareo, edad, sexo, institución, departamento, linaje y variante. Asimismo, el tratamiento de datos se realizó mediante sentencias SQL las cuales se presentan a continuación:

select edad,
grupoetareo = case
when edad<=4 then 'Infante'
when (edad>=5 and edad<=9) then 'Nino'
when (edad>=10 and edad<=14) then 'Adolescente'
when (edad>=15 and edad<=29) then 'Joven'
when (edad>=30 and edad<=64) then 'Adulto'
when (edad>=65) then 'Tercera Edad'
end,
sexo,
Institucion,
departamento = case
when departamento_paciente = '' then 'CALLAO'
else departamento_paciente
end,
resultado,
Linaje = substring(resultado, 8, len(resultado))
into #pmgenoma
from [dbo].[pmGenoma_25Septiembre2021]

select grupoetareo,
edad,
sexo,
Institucion,
departamento,
Linaje,
variante = case
when (rtrim(linaje) = 'B.1' or rtrim(linaje) = 'B.1.1' or rtrim(linaje) =
'B.1.1.1')then 'Alfa'
when (rtrim(linaje) = 'P.1' or rtrim(linaje) = 'P.1.4' or rtrim(linaje) =
'P.1.7') then 'Gamma'
when (rtrim(linaje) = 'B.1.62' or rtrim(linaje) = 'B.1.621.1' or
rtrim(linaje) = 'B.1.621') then 'Mu'
when rtrim(linaje) = 'AY.4' then 'Delta Plus'
when (rtrim(linaje) = 'B.1.1.348' or rtrim(linaje) = 'C.37') then 'Lambda'
when (rtrim(linaje) = 'B.1.617.2' or rtrim(linaje) = 'AY.12' or rtrim(linaje)
= 'AY.11') then 'Delta'
when rtrim(linaje) = 'B.1.1.485' then 'Linaje Suizo'
when (rtrim(linaje) = 'C.4' or rtrim(linaje) = 'C.14') then 'Linaje Peruano'
when rtrim(linaje) = 'B.1.1.7' then 'Linaje Nueva Zelanda'
when rtrim(linaje) = 'AY.25' or rtrim(linaje) = 'AY.20' or rtrim(linaje) =
'AY.14' then 'Linaje USA'
else 'Otros'
end
into pmgenoma3
from #pmgenoma

El gráfico siguiente presenta la distribución por edades y grupo etáreo de los datos cargados en los que se aprecia una presencia notoria de población adulta seguida de población joven en la participación de toma de pruebas de COVID19. Asimismo, la distribución por género es de 49.25% para hombres y 50.75% para mujeres.

De otra parte, las tomas de muestras han sido realizadas en su mayor parte en Lima con una participación de 26% seguido de Arequipa con 8%, La Libertad, Junín entre otros.

4. Descripción de los resultados obtenidos con la técnica K-Means
Luego de realizar las verificaciones se consideró que se formen 5 clusters; asimismo, incluir sólo variables relevantes retirando de la evaluación edad, sexo, institución y departamento. El enfoque se dirigió a formar los clusters basados en grupos etáreo y variante.

=== Run information ===

Scheme: weka.clusterers.SimpleKMeans -init 0 -max-candidates 100 -periodic-pruning 10000 -min-density 2.0 -t1 -1.25 -t2 -1.0 -N 5 -A "weka.core.EuclideanDistance -R first-last" -I 500 -num-slots 1 -S 10
Relation: Linaje
Instances: 6371
Attributes: 7
grupoetareo
variante
Ignored:
edad
sexo
Institucion
departamento
Linaje
Test mode: evaluate on training data


=== Clustering model (full training set) ===


kMeans
======

Number of iterations: 3
Within cluster sum of squared errors: 2597.0

Initial starting points (random):

Cluster 0: Adulto,Lambda
Cluster 1: Joven,'Linaje Peruano'
Cluster 2: Adulto,Gamma
Cluster 3: Adulto,Alfa
Cluster 4: Adulto,Otros

Missing values globally replaced with mean/mode

Final cluster centroids:
Cluster#
Attribute Full Data 0 1 2 3 4
(6371.0) (4248.0) (920.0) (937.0) (142.0) (124.0)
=========================================================================================
grupoetareo Adulto Adulto Joven Adulto Adulto Adulto
variante Lambda Lambda Gamma Gamma Alfa Otros

Time taken to build model (full training data) : 0.01 seconds

=== Model and evaluation on training set ===

Clustered Instances

0 4248 ( 67%)
1 920 ( 14%)
2 937 ( 15%)
3 142 ( 2%)
4 124 ( 2%)

5. Conclusiones

• Luego del anáisis de los datos, se consideró por conveniente limpiar y consolidar datos con el apoyo de sentencias SQL; se propuso crear las agrupaciones grupo etáreo y variante a partir de los datos edad y linaje proveniente del dataset.

• Se consideró formar 5 clusters incluyendo las variables consolidadas grupo etáreo y variante considerando los clusters: adulto-lambda, Joven-linaje peruano, adulto-ganma, adulto-alfa y adulto-otros; los dos últimos con una participación menor 4% podrían ser unificados y considerados como un solo cluster de adulto-otros (se absorbe a adulto-alfa en otros) consolidado en 4 clusters.

Nombre: Juan Pablo Jesús Mansilla López

1. Título: Fallecidos, hospitalizados y vacunados durante la pandemia de Covid19

2. Resumen

El presente trabajo trata sobre la clasificación de datos de fallecidos, hospitalizados y vacunados durante la pandemia de COVID19 tomadas de la base de datos del INS. El dataset de datos tuvo que ser preparado creando la variante grupo_etareo para consolidar la variable edad.

3. Descripción de DataSet
Enlace a la fuente de datos abiertos:
Fallecidos, hospitalizados y vacunados por COVID-19 | Plataforma Nacional de Datos Abiertos

https://www.datosabiertos.gob.pe/datase ... r-covid-19

Los datos que fueron importados al modelo mantienen la estructura siguiente: año, mes, sexo, edad, sexo, criterio_fallecido, departamento, positividad, hospitalizado, diashospitalizado, diasuci, conoxigeno, conventilación, fallecido_post_alta_hospital.
Asimismo, el tratamiento de datos se realizó mediante sentencias SQL las cuales se presentan a continuación:

select anno = datepart(yyyy,fecha_fallecimiento),
mes = datepart(mm,fecha_fallecimiento),
edad,
sexo,
criterio_fallecido,
departamento = dpt_cdc,
positividad = cdc_positividad,
hospitalizado = flag_hospitalizado,
diashospitalizado = isnull(datediff(dd, dateadd(dd,-1,fecha_ingreso_hosp),
fecha_segumiento_hosp_ultimo),0),
diasuci= isnull(datediff(dd, dateadd(dd,-1,fecha_ingreso_uci),
fecha_segumiento_hosp_ultimo),0),
con_oxigeno,
con_ventilacion,
fallecido_post_alta_hospital = case
when evolucion_hosp_ultimo like 'alta%' then 1
else 0
end,
grupoetareo = case
when edad<=4 then 'Infante'
when (edad>=5 and edad<=9) then 'Nino'
when (edad>=10 and edad<=14) then 'Adolescente'
when (edad>=15 and edad<=29) then 'Joven'
when (edad>=30 and edad<=64) then 'Adulto'
when (edad>=65) then 'Tercera Edad'
end,
vacuna = isnull(fabricante_dosis1,'SIN VACUNA'),
vacunado = case
when flag_vacuna = 0 then 0
when fecha_dosis1 is not null and fecha_dosis2 is null then 1
when fecha_dosis2 is not null and fecha_dosis1 is not null then 2
end
from [dbo].[TB_FALLECIDO_HOSP_VAC]

En el proceso de revisión de los datos, se encontró que la distribución de la población tiene un sesgo hacia la derecha en la que se aprecia que la mayor cantidad de fallecidos son los mayores de 60 años siendo los más afectados la población de la tercera edad. Asimismo, la población de hombres registra más fallecimientos (63%) respecto a la de mujeres (38%). Cabe señalar que de los fallecidos registrados el 69% no estaban vacunados.

Para tener una clasificación más precisa se retiraron del dataset las variables siguientes: edad, año y mes.

4. Descripción de los resultados obtenidos con la técnica de árboles de decisión

La clasificación por árboles de decisión cuenta con una precisión mayor al 98.22% y como como primer criterio de segmentación la población no vacunada, vacunados con PFIZER, AZTRAZENECA y SINOPHARM; en segunda instancia se clasifica por departamento, seguidamente de grupo etáreo y la cantidad de dosis. La técnica de árboles por decisión predice los fallecidos sin vacunación al 100% y los fallecidos con una o dos dosis con una precisión que supera el 62%; logrando en promedio 98% para todos los casos.

=== Run information ===

Scheme: weka.classifiers.trees.J48 -C 0.25 -M 2
Relation: FallecidosCovid2-weka.filters.unsupervised.attribute.Remove-R2-weka.filters.unsupervised.attribute.Remove-R1-weka.filters.unsupervised.attribute.Remove-R3-weka.filters.unsupervised.attribute.Remove-R1
Instances: 197408
Attributes: 12
sexo
departamento
positividad
hospitalizado
diashospitalizado
diasuci
con_oxigeno
con_ventilacion
fallecido_post_alta_hospital
grupoetareo
vacuna
vacunado
Test mode: evaluate on training data

=== Classifier model (full training set) ===

J48 pruned tree
------------------

vacuna = SIN VACUNA: S (188148.0)
vacuna = PFIZER
| departamento = JUNIN: 1D (303.0/112.0)
| departamento = AYACUCHO: 2D (59.0/10.0)
| departamento = LAMBAYEQUE
| | grupoetareo = Adulto: 2D (57.0/23.0)
| | grupoetareo = Tercera Edad: 1D (213.0/83.0)
| | grupoetareo = Joven: 2D (3.0)
| | grupoetareo = Adolescente: 1D (0.0)
| | grupoetareo = Infante: 1D (0.0)
| | grupoetareo = Nino: 1D (0.0)
| departamento = LIMA
| | fallecido_post_alta_hospital <= 0
| | | grupoetareo = Adulto
| | | | con_oxigeno = False
| | | | | sexo = M
| | | | | | positividad = True: 1D (178.0/83.0)
| | | | | | positividad = False: 2D (196.0/86.0)
| | | | | sexo = F: 2D (220.0/70.0)
| | | | con_oxigeno = True: 1D (62.0/21.0)
| | | grupoetareo = Tercera Edad
| | | | con_ventilacion = False
| | | | | sexo = M: 1D (1493.0/666.0)
| | | | | sexo = F
| | | | | | positividad = True: 1D (429.0/200.0)
| | | | | | positividad = False: 2D (578.0/277.0)
| | | | con_ventilacion = True: 2D (33.0/13.0)
| | | grupoetareo = Joven
| | | | sexo = M: 2D (15.0/4.0)
| | | | sexo = F: 1D (6.0/2.0)
| | | grupoetareo = Adolescente: 1D (6.0)
| | | grupoetareo = Infante: 2D (2.0)
| | | grupoetareo = Nino: 1D (0.0)
| | fallecido_post_alta_hospital > 0: 2D (60.0/14.0)
| departamento = ANCASH
| | hospitalizado = False
| | | grupoetareo = Adulto: 2D (12.0/3.0)
| | | grupoetareo = Tercera Edad
| | | | sexo = M: 1D (71.0/31.0)
| | | | sexo = F: 2D (38.0/17.0)
| | | grupoetareo = Joven: 2D (0.0)
| | | grupoetareo = Adolescente: 2D (0.0)
| | | grupoetareo = Infante: 2D (0.0)
| | | grupoetareo = Nino: 2D (0.0)
| | hospitalizado = True
| | | fallecido_post_alta_hospital <= 0: 1D (79.0/24.0)
| | | fallecido_post_alta_hospital > 0: 2D (5.0/1.0)
| departamento = PIURA
| | con_ventilacion = False
| | | sexo = M
| | | | positividad = True
| | | | | fallecido_post_alta_hospital <= 0
| | | | | | diasuci <= 0: 1D (77.0/34.0)
| | | | | | diasuci > 0: 2D (4.0)
| | | | | fallecido_post_alta_hospital > 0: 2D (3.0)
| | | | positividad = False: 2D (161.0/56.0)
| | | sexo = F: 2D (151.0/44.0)
| | con_ventilacion = True: 1D (7.0/1.0)
| departamento = PUNO: 1D (34.0/12.0)
| departamento = AREQUIPA
| | hospitalizado = False: 1D (688.0/169.0)
| | hospitalizado = True: 2D (2.0)
| departamento = APURIMAC: 1D (22.0/8.0)
| departamento = CALLAO
| | hospitalizado = False
| | | sexo = M: 1D (189.0/67.0)
| | | sexo = F
| | | | grupoetareo = Adulto: 2D (18.0/5.0)
| | | | grupoetareo = Tercera Edad: 1D (91.0/43.0)
| | | | grupoetareo = Joven: 2D (0.0)
| | | | grupoetareo = Adolescente: 2D (0.0)
| | | | grupoetareo = Infante: 2D (0.0)
| | | | grupoetareo = Nino: 2D (0.0)
| | hospitalizado = True
| | | sexo = M: 2D (14.0/3.0)
| | | sexo = F
| | | | grupoetareo = Adulto: 1D (2.0)
| | | | grupoetareo = Tercera Edad
| | | | | con_ventilacion = False
| | | | | | diashospitalizado <= 9: 1D (8.0/1.0)
| | | | | | diashospitalizado > 9: 2D (2.0)
| | | | | con_ventilacion = True: 2D (3.0)
| | | | grupoetareo = Joven: 1D (0.0)
| | | | grupoetareo = Adolescente: 1D (0.0)
| | | | grupoetareo = Infante: 1D (0.0)
| | | | grupoetareo = Nino: 1D (0.0)
| departamento = LA LIBERTAD
| | hospitalizado = False
| | | grupoetareo = Adulto
| | | | positividad = True: 1D (24.0/8.0)
| | | | positividad = False: 2D (35.0/15.0)
| | | grupoetareo = Tercera Edad: 1D (306.0/127.0)
| | | grupoetareo = Joven: 2D (1.0)
| | | grupoetareo = Adolescente: 1D (0.0)
| | | grupoetareo = Infante: 1D (0.0)
| | | grupoetareo = Nino: 1D (0.0)
| | hospitalizado = True: 2D (2.0)
| departamento = CUSCO
| | positividad = True
| | | grupoetareo = Adulto
| | | | sexo = M: 1D (8.0/3.0)
| | | | sexo = F: 2D (4.0)
| | | grupoetareo = Tercera Edad: 1D (113.0/35.0)
| | | grupoetareo = Joven: 1D (1.0)
| | | grupoetareo = Adolescente: 1D (0.0)
| | | grupoetareo = Infante: 1D (0.0)
| | | grupoetareo = Nino: 1D (0.0)
| | positividad = False: 2D (162.0/72.0)
| departamento = ICA
| | con_ventilacion = False
| | | grupoetareo = Adulto: 2D (52.0/24.0)
| | | grupoetareo = Tercera Edad
| | | | sexo = M
| | | | | con_oxigeno = False
| | | | | | positividad = True: 2D (30.0/13.0)
| | | | | | positividad = False: 1D (133.0/62.0)
| | | | | con_oxigeno = True
| | | | | | diasuci <= 2
| | | | | | | diashospitalizado <= 12
| | | | | | | | positividad = True: 1D (4.0)
| | | | | | | | positividad = False
| | | | | | | | | diashospitalizado <= 3: 2D (4.0)
| | | | | | | | | diashospitalizado > 3: 1D (16.0/6.0)
| | | | | | | diashospitalizado > 12: 2D (6.0)
| | | | | | diasuci > 2: 1D (5.0)
| | | | sexo = F
| | | | | positividad = True: 1D (27.0/12.0)
| | | | | positividad = False: 2D (104.0/44.0)
| | | grupoetareo = Joven: 2D (4.0)
| | | grupoetareo = Adolescente: 2D (0.0)
| | | grupoetareo = Infante: 2D (0.0)
| | | grupoetareo = Nino: 2D (0.0)
| | con_ventilacion = True
| | | sexo = M
| | | | diashospitalizado <= 14
| | | | | positividad = True: 2D (4.0)
| | | | | positividad = False
| | | | | | diashospitalizado <= 6: 2D (5.0)
| | | | | | diashospitalizado > 6: 1D (2.0)
| | | | diashospitalizado > 14: 1D (2.0)
| | | sexo = F: 2D (3.0)
| departamento = UCAYALI
| | positividad = True: 1D (3.0/1.0)
| | positividad = False: 2D (10.0/2.0)
| departamento = LORETO: 2D (91.0/33.0)
| departamento = HUANCAVELICA
| | diashospitalizado <= 16: 2D (12.0/2.0)
| | diashospitalizado > 16: 1D (2.0)
| departamento = MOQUEGUA
| | grupoetareo = Adulto
| | | sexo = M: 1D (7.0)
| | | sexo = F
| | | | positividad = True
| | | | | hospitalizado = False: 2D (5.0)
| | | | | hospitalizado = True: 1D (4.0)
| | | | positividad = False: 1D (3.0)
| | grupoetareo = Tercera Edad: 1D (54.0/27.0)
| | grupoetareo = Joven: 1D (0.0)
| | grupoetareo = Adolescente: 1D (0.0)
| | grupoetareo = Infante: 1D (0.0)
| | grupoetareo = Nino: 1D (0.0)
| departamento = CAJAMARCA
| | grupoetareo = Adulto
| | | diashospitalizado <= 2: 2D (19.0/7.0)
| | | diashospitalizado > 2: 1D (9.0)
| | grupoetareo = Tercera Edad
| | | fallecido_post_alta_hospital <= 0: 1D (113.0/45.0)
| | | fallecido_post_alta_hospital > 0: 2D (4.0/1.0)
| | grupoetareo = Joven: 2D (3.0)
| | grupoetareo = Adolescente: 1D (0.0)
| | grupoetareo = Infante: 1D (0.0)
| | grupoetareo = Nino: 1D (0.0)
| departamento = TUMBES: 2D (17.0/4.0)
| departamento = HUANUCO: 1D (16.0/7.0)
| departamento = MADRE DE DIOS: 1D (2.0/1.0)
| departamento = SAN MARTIN: 1D (133.0/63.0)
| departamento = AMAZONAS: 1D (7.0/1.0)
| departamento = TACNA
| | diashospitalizado <= 2
| | | hospitalizado = False: 1D (60.0/16.0)
| | | hospitalizado = True: 2D (6.0/1.0)
| | diashospitalizado > 2: 1D (33.0/2.0)
| departamento = PASCO: 2D (13.0/2.0)
vacuna = ASTRAZENECA: 1D (925.0/286.0)
vacuna = SINOPHARM
| hospitalizado = False: 2D (894.0/338.0)
| hospitalizado = True
| | fallecido_post_alta_hospital <= 0: 1D (135.0/52.0)
| | fallecido_post_alta_hospital > 0: 2D (29.0/8.0)

Number of Leaves : 128

Size of the tree : 190


Time taken to build model: 0.57 seconds

=== Evaluation on training set ===

Time taken to test model on training data: 0.24 seconds

=== Summary ===

Correctly Classified Instances 193905 98.2255 %
Incorrectly Classified Instances 3503 1.7745 %
Kappa statistic 0.8039
Mean absolute error 0.0142
Root mean squared error 0.0843
Relative absolute error 23.559 %
Root relative squared error 48.54 %
Total Number of Instances 197408

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
1,000 0,000 1,000 1,000 1,000 1,000 1,000 1,000 S
0,761 0,012 0,621 0,761 0,684 0,679 0,992 0,674 1D
0,459 0,006 0,622 0,459 0,528 0,526 0,991 0,618 2D
Weighted Avg. 0,982 0,000 0,982 0,982 0,982 0,982 1,000 0,983

=== Confusion Matrix ===

a b c <-- classified as
188148 0 0 | a = S
0 3794 1192 | b = 1D
0 2311 1963 | c = 2D

5. Descripción de los resultados obtenidos con la técnica Random Forest

La clasificación por árboles de decisión cuenta con una precisión mayor al 98.44% y con una predicción de fallecidos sin vacunación al 100%, los fallecidos con una dosis al 65.7% y los fallecidos dos dosis al 68.7%.

=== Run information ===

Scheme: weka.classifiers.trees.RandomForest -P 100 -I 100 -num-slots 1 -K 0 -M 1.0 -V 0.001 -S 1
Relation: FallecidosCovid2-weka.filters.unsupervised.attribute.Remove-R2-weka.filters.unsupervised.attribute.Remove-R1-weka.filters.unsupervised.attribute.Remove-R3-weka.filters.unsupervised.attribute.Remove-R1
Instances: 197408
Attributes: 12
sexo
departamento
positividad
hospitalizado
diashospitalizado
diasuci
con_oxigeno
con_ventilacion
fallecido_post_alta_hospital
grupoetareo
vacuna
vacunado
Test mode: evaluate on training data

=== Classifier model (full training set) ===

RandomForest

Bagging with 100 iterations and base learner

weka.classifiers.trees.RandomTree -K 0 -M 1.0 -V 0.001 -S 1 -do-not-check-capabilities

Time taken to build model: 17.42 seconds

=== Evaluation on training set ===

Time taken to test model on training data: 3.7 seconds

=== Summary ===

Correctly Classified Instances 194331 98.4413 %
Incorrectly Classified Instances 3077 1.5587 %
Kappa statistic 0.8277
Mean absolute error 0.0128
Root mean squared error 0.0787
Relative absolute error 21.2124 %
Root relative squared error 45.3261 %
Total Number of Instances 197408

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
1,000 0,000 1,000 1,000 1,000 1,000 1,000 1,000 S
0,800 0,011 0,657 0,800 0,722 0,717 0,994 0,781 1D
0,514 0,005 0,687 0,514 0,588 0,587 0,994 0,730 2D
Weighted Avg. 0,984 0,000 0,985 0,984 0,984 0,984 1,000 0,989

=== Confusion Matrix ===

a b c <-- classified as
188148 0 0 | a = S
0 3987 999 | b = 1D
0 2078 2196 | c = 2D

6. Descripción de los resultados obtenidos con la técnica SVM

Para aplicar el algoritmo SVM se tuvo que reducir la muestra de datos a un 50% aproximadamente 100,000 registros y la cantidad de variables para que considere sólo 7 entre ellas: sexo, departamento, positividad, hospitalizado, grupoetareo, vacuna y vacunado; con el propósito de viabilizar la ejecución del algoritmo toda vez que sólo puede utilizar 4 Gb de memoria RAM. Por ello, el procesamiento con el dataset completo se veía interrumpido por superar la capacidad de memoria gestionada por Weka.
La clasificación por Máquina de Soporte Vectorial cuenta con una precisión mayor al 98.027% y con una predicción de fallecidos sin vacunación al 100%, los fallecidos con una dosis al 87.24% y los fallecidos dos dosis al 22.2%.

=== Run information ===

Scheme: weka.classifiers.functions.LibSVM -S 0 -K 2 -D 3 -G 0.0 -R 0.0 -N 0.5 -M 40.0 -C 1.0 -E 0.001 -P 0.1 -model "C:\\Program Files\\Weka-3-8-5" -seed 1
Relation: FallecidosCovid3-weka.filters.unsupervised.attribute.Remove-R1-3-weka.filters.unsupervised.attribute.Remove-R2-weka.filters.unsupervised.attribute.Remove-R5-6-weka.filters.unsupervised.attribute.Remove-R5-6-weka.filters.unsupervised.attribute.Remove-R5
Instances: 100000
Attributes: 7
sexo
departamento
positividad
hospitalizado
grupoetareo
vacuna
vacunado
Test mode: 10-fold cross-validation

=== Classifier model (full training set) ===

LibSVM wrapper, original code by Yasser EL-Manzalawy (= WLSVM)

Time taken to build model: 43.58 seconds

=== Stratified cross-validation ===
=== Summary ===

Correctly Classified Instances 98027 98.027 %
Incorrectly Classified Instances 1973 1.973 %
Kappa statistic 0.782
Mean absolute error 0.0132
Root mean squared error 0.1147
Relative absolute error 21.781 %
Root relative squared error 66.0085 %
Total Number of Instances 100000

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
1,000 0,000 1,000 1,000 1,000 1,000 1,000 1,000 S
0,874 0,017 0,577 0,874 0,695 0,701 0,928 0,508 1D
0,222 0,003 0,591 0,222 0,322 0,354 0,609 0,147 2D
Weighted Avg. 0,980 0,001 0,980 0,980 0,978 0,979 0,990 0,969

=== Confusion Matrix ===

a b c <-- classified as
95306 0 0 | a = S
0 2252 325 | b = 1D
0 1648 469 | c = 2D


7. Descripción de los resultados obtenidos con la técnica Reyes Bayesianas

La clasificación por reyes Bayesianas cuenta con una precisión mayor al 98.33% y con una predicción de fallecidos sin vacunación al 100%, los fallecidos con una dosis al 66.1% y los fallecidos dos dosis al 62.4%.

=== Run information ===

Scheme: weka.classifiers.bayes.BayesNet -D -Q weka.classifiers.bayes.net.search.local.K2 -- -P 1 -S BAYES -E weka.classifiers.bayes.net.estimate.SimpleEstimator -- -A 0.5
Relation: FallecidosCovid2-weka.filters.unsupervised.attribute.Remove-R1-3
Instances: 197408
Attributes: 13
sexo
criterio_fallecido
departamento
positividad
hospitalizado
diashospitalizado
diasuci
con_oxigeno
con_ventilacion
fallecido_post_alta_hospital
grupoetareo
vacuna
vacunado
Test mode: 10-fold cross-validation

=== Classifier model (full training set) ===

Bayes Network Classifier
not using ADTree
#attributes=13 #classindex=12
Network structure (nodes followed by parents)
sexo(2): vacunado
criterio_fallecido(7): vacunado
departamento(25): vacunado
positividad(2): vacunado
hospitalizado(2): vacunado
diashospitalizado(2): vacunado
diasuci(1): vacunado
con_oxigeno(2): vacunado
con_ventilacion(2): vacunado
fallecido_post_alta_hospital(2): vacunado
grupoetareo(6): vacunado
vacuna(4): vacunado
vacunado(3):
LogScore Bayes: -1540214.6236542063
LogScore BDeu: -1540688.4969293356
LogScore MDL: -1540753.9146289928
LogScore ENTROPY: -1539918.69221565
LogScore AIC: -1540055.69221565


Time taken to build model: 1.31 seconds

=== Stratified cross-validation ===
=== Summary ===

Correctly Classified Instances 194122 98.3354 %
Incorrectly Classified Instances 3286 1.6646 %
Kappa statistic 0.8161
Mean absolute error 0.0133
Root mean squared error 0.0836
Relative absolute error 21.994 %
Root relative squared error 48.1517 %
Total Number of Instances 197408

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class
1,000 0,000 1,000 1,000 1,000 1,000 1,000 1,000 S
0,699 0,009 0,661 0,699 0,680 0,671 0,993 0,694 1D
0,583 0,008 0,624 0,583 0,602 0,594 0,992 0,655 2D
Weighted Avg. 0,983 0,000 0,983 0,983 0,983 0,983 1,000 0,985

=== Confusion Matrix ===

a b c <-- classified as
188148 0 0 | a = S
0 3484 1502 | b = 1D
0 1784 2490 | c = 2D


8. Conclusión

Arboles de decisión Random Forest SVM Redes Bayesianas
Precisión 98.22% 98.44% 98.027% 98.33%

Comparando los 4 modelos analizados, se aprecia que los algoritmos de árboles de decisión, random forest, SVM y Redes Bayesianas tienen precisiones similares; sin embargo, Random Forest presenta el mejor resultado de clasificación.