Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad
Este estudio presenta un modelo de Machine Learning basado en factores de riesgo para predecir el sobrepeso y la obesidad, destacando su importancia en la prevención y control de esta condición. La metodología incluye limpieza de datos, imputación de valores faltantes, selección de características y...
Guardado en:
| Autores principales: | , , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510577758535680 |
|---|---|
| author | Quispe Calcina, Willian Chuquin Huarachi, Victor Lee Azurin Pereyra, Alex Alejandro |
| author2 | Pineda Ancco, Ferdinand Edgardo |
| author_browse | Azurin Pereyra, Alex Alejandro Chuquin Huarachi, Victor Lee Pineda Ancco, Ferdinand Edgardo Quispe Calcina, Willian |
| author_facet | Pineda Ancco, Ferdinand Edgardo Quispe Calcina, Willian Chuquin Huarachi, Victor Lee Azurin Pereyra, Alex Alejandro |
| author_sort | Quispe Calcina, Willian |
| collection | Repositorio institucional |
| description | Este estudio presenta un modelo de Machine Learning basado en factores de riesgo para predecir el sobrepeso y la obesidad, destacando su importancia en la prevención y control de esta condición. La metodología incluye limpieza de datos, imputación de valores faltantes, selección de características y evaluación de modelos de regresión como RFR, DTR, SVR y XGB. Los resultados muestran que el GBR alcanzó el mejor desempeño, seguido de cerca por XGB, al predecir el índice de masa corporal (IMC) utilizando 20 características clave, como colesterol LDL, perímetro abdominal, medidas diastólicas, presión arterial, hemoglobina y glucosa. La reducción de características mejoró notablemente el rendimiento de los modelos, especialmente los basados en técnicas de Boosting. Estos hallazgos destacan la precisión de los modelos de Machine Learning en la predicción del IMC y su potencial para la identificación temprana de riesgos relacionados con la obesidad en la población adulta peruana. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/8862 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Tecnología de información e innovación tecnológica |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Juliaca |
| spelling | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad Quispe Calcina, Willian Chuquin Huarachi, Victor Lee Azurin Pereyra, Alex Alejandro Pineda Ancco, Ferdinand Edgardo Machine learning Obesidad Sobrepeso Modelos de regresión Este estudio presenta un modelo de Machine Learning basado en factores de riesgo para predecir el sobrepeso y la obesidad, destacando su importancia en la prevención y control de esta condición. La metodología incluye limpieza de datos, imputación de valores faltantes, selección de características y evaluación de modelos de regresión como RFR, DTR, SVR y XGB. Los resultados muestran que el GBR alcanzó el mejor desempeño, seguido de cerca por XGB, al predecir el índice de masa corporal (IMC) utilizando 20 características clave, como colesterol LDL, perímetro abdominal, medidas diastólicas, presión arterial, hemoglobina y glucosa. La reducción de características mejoró notablemente el rendimiento de los modelos, especialmente los basados en técnicas de Boosting. Estos hallazgos destacan la precisión de los modelos de Machine Learning en la predicción del IMC y su potencial para la identificación temprana de riesgos relacionados con la obesidad en la población adulta peruana. 2025-02-10 2025-06-26T16:42:12Z 2025-06-26T16:42:12Z 2027-02-10 info:eu-repo/date/embargoEnd/2027-02-10 info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/8862 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/8862 2026-11-10T17:45:09Z |
| spellingShingle | Machine learning Obesidad Sobrepeso Modelos de regresión Quispe Calcina, Willian Chuquin Huarachi, Victor Lee Azurin Pereyra, Alex Alejandro Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title_full | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title_fullStr | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title_full_unstemmed | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title_short | Modelo de Machine Learning Basado en los Factores de Riesgo para Predecir el Sobrepeso y la Obesidad |
| title_sort | modelo de machine learning basado en los factores de riesgo para predecir el sobrepeso y la obesidad |
| topic | Machine learning Obesidad Sobrepeso Modelos de regresión |
| topic_facet | Machine learning Obesidad Sobrepeso Modelos de regresión |
| url | https://hdl.handle.net/20.500.12840/8862 |
| work_keys_str_mv | AT quispecalcinawillian modelodemachinelearningbasadoenlosfactoresderiesgoparapredecirelsobrepesoylaobesidad AT chuquinhuarachivictorlee modelodemachinelearningbasadoenlosfactoresderiesgoparapredecirelsobrepesoylaobesidad AT azurinpereyraalexalejandro modelodemachinelearningbasadoenlosfactoresderiesgoparapredecirelsobrepesoylaobesidad |