Tema: Diagnóstico de enfermedades renales crónicas en pacientes de EsSalud, usando Machine Learning
Integrantes:
- Espinoza García, José Luis
- Garrido Mansilla, Gerson Andre
- Huaytalla Pariona, Jaime Antonio
- Sacasqui Huaito, Shirley Sirene
- Villegas Cubas. Juan Elias
Resumen:
En este trabajo se construye y evalúa modelos de machine learning para el diagnóstico de enfermedades renales crónicas; el conjunto de datos tiene 115349 registros y cuenta con información del paciente como edad, sexo; información de los exámenes de laboratorio como dosaje de creatinina en sangre y dosaje de glucosa en sangre, datos del sitio del examen de laboratorio, datos del personal médico tratante y datos del diagnóstico según la CIE 10, entre otros. Se procesaron los datos y se construyeron tres modelos de machine learning como Decision Tree, Random Forest y Extra Tree, se optimizaron en búsqueda de los mejores parámetros. Los modelos construidos fueron evaluados y el modelo Extra Tree obtiene mejor desempeño con un accuracy de 0.9141, una precisión de 0.9116, un recall (sensibilidad) de 0.9141, F1-Score de 0.9122 y AUC-ROC de 0.9498

Tema:
Evaluación de modelos de Machine Learning para la clasificación de manzana según su calidad

Integrantes:
- Espinoza García, José Luis
- Garrido Mansilla, Gerson Andre
- Huaytalla Pariona, Jaime Antonio
- Sacasqui Huaito, Shirley Sirene
- Villegas Cubas. Juan Elias

Resumen:
En este trabajo se evalúan modelos de machine learning para la clasificación de la calidad de manzana según sus características, el conjunto de datos utilizado contiene 4.000 muestras, cada una de las cuales contiene identificadores de manzana, tamaño, peso, dulzor, textura crujiente, jugosidad, madurez, acidez y la clase. los datos son visualizados y procesados aplicando eliminación de valores nulos, valores fuera de rango, estandarizando los datos y dividiendo en datos para entrenamiento y evaluación. Se construyeron cuatro modelos de machine learning como K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) y Decisión Trees (DT), se optimizaron en búsqueda de los mejores parámetros. Los cuatro modelos fueron evaluados con 1000 registros y utilizando las métricas de accuracy, recall, F1-score y precisión. El modelo SVM es el que logró los mejores resultados en todos los indicadores, llegando a un 0.924 de accuray.



Adjuntos:
Ensayo: Dataset: