Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/6739
Full metadata record
DC FieldValueLanguage
dc.contributor.authorSanchez Jimenez, Eduardo%1165521-
dc.creatorSanchez Jimenez, Eduardo%1165521-
dc.date.accessioned2024-01-17T18:04:00Z-
dc.date.available2024-01-17T18:04:00Z-
dc.date.issued2024-01-12-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/6739-
dc.descriptionLos modelos de predicción son herramientas analíticas que utilizan datos históricos y estadísticas para realizar inferencias que apoyan en la toma de decisiones, en particular, en el campo médico. Estos modelos están conformados por variables llamadas hiperparámetros que se configuran antes del proceso de entrenamiento, con el objetivo de capturar patrones complejos de los datos. Además, su configuración tiene un impacto directo en el desempeño predictivo. La predicción de enfermedades cardiovasculares se ha convertido en un área de gran interés debido a su impacto en la salud pública. La identificación temprana y precisa de los factores de riesgo y la predicción de eventos cardiovasculares son esenciales para mejorar el diagnóstico y el tratamiento de los pacientes. En este contexto, este trabajo aborda la configuración de hiperparámetros para maximizar el desempeño de los modelos de predicción de enfermedades cardiovasculares. La propuesta de solución consiste en la aplicación de seis enfoques de optimización con el objetivo de semiautomatizar la búsqueda de los valores para los hiperparámetros de los modelos Random Forest, Support Vector Machine y XGBoost. Los resultados de la investigación muestran que enfoques de optimización Bayesian Optimization, Particle Swarm Optimization, y Genetic Algorithm proporcionaron mejoras significativas en las métricas: accuracy, recall y sensitivity. En el proceso de optimización del modelo Random Forest se identificó que la mejora en el rendimiento está directamente relacionada con el aumento tanto del número y la profundidad de árboles de decisión. El modelo Support Vector Machine destaca su desempeño en las métricas accuracy y specificity, lo que demuestra su fiabilidad a la hora de clasificar correctamente tanto instancias positivas como negativas. Por otro lado, el modelo XGBoost destaca en la métrica de recall, es decir, mayor habilidad en la identificación precisa de instancias positivas. En esta tesis se estudiaron los mecanismos de optimización y se determinaron las configuraciones que mejoran la predicción de enfermedades cardiovasculares. Estos resultados tienen implicaciones importantes en el área de la inteligencia artificial aplicada al dominio médico, y ofrecen una base sólida para investigaciones futuras.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.otherEnfermedades Cardiovasculares -Modelos de Aprendizaje Automático - Predicciónes_MX
dc.titleOptimización de Hiperparámetros en Modelos de Aprendizaje Automático: Aplicación en la Predicción de Enfermedades Cardiovasculareses_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorHernandez Perez, Maria Yasmin%277696-
dc.contributor.directorOrtiz Hernandez, Javier%217384-
dc.folio1426es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmCentro Nacional de Investigación y Desarrollo Tecnológicoes_MX
Appears in Collections:Tesis de Maestría en Computación

Files in This Item:
File Description SizeFormat 
MC_Eduardo_Sanchez_Jimenez_2024.pdfTesis8.36 MBAdobe PDFView/Open
MC_Eduardo_Sanchez_Jimenez_2024_C.pdf
  Restricted Access
Cesión de derechos133.01 kBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons