2 resultados
Resultados de la búsqueda
Mostrando 1 - 2 de 2
Ítem Modelo de Machine Learning para predecir la deserción universitaria a partir de factores socioeconómicos y académicos(Universidad Peruana Unión, 2024-04-02) Izquierdo Marin, Sandra Sofia; Torres Navarrete, William Robert; Soria Quijaite, Juan JesúsEl estudio se centró en generar un modelo de Machine Learning que pueda predecir la deserción de los estudiantes de la Universidad Católica de Trujillo en el periodo 2021-2022, a partir de factores socioeconómicos y académicos, cuya efectividad sea superior al 75%. El diseño metodológico de este estudio fue mixto, ya que no solo utilizó un método estadístico, sino también el análisis documental de casos, los cuales están recolectado de forma numérica y categórica para determinar la relación entre factores socioeconómicos y académicos y la deserción universitaria de los estudiantes, así como explicar y predecir a través de ellos escenarios futuros de la variable dependiente. La población estudiada consistió en dos cohortes (2021 y 2022) de 11 carreras de nivel pregrado dictadas en la Universidad Católica de Trujillo; totalizando 3156 alumnos, de los cuales 789 han abandonado los estudios (índice de deserción del orden del 25%). En conclusión, el modelo propuesto es significativo (p- value: 0) en base a cuatro factores predictores (lugar de procedencia, hermanos, institución educativa de egreso y cantidad de cursos desaprobados). Además, los factores socioeconómicos abordados si se relacionan de forma significativa con la deserción universitaria, a excepción del género (masculino y femenino), cuya relación no es significativa (chi2=,338). Además, los resultados obtenidos mediante el análisis de chi- cuadrado indica que todos los factores académicos están relacionados de forma significativa. Finalmente, el modelo es capaz de clasificar correctamente 98.7% de las observaciones de entrenamiento.Ítem Enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning(Universidad Peruana Unión, 2023-11-30) Marroquin Marroquin, Urlish Kleyber; López Gonzales, Javier LinkolkEn la actualidad existen muchos métodos de predicción que se utilizan en el campo de la salud; no obstante, los estudios actuales requiere mayor estudio e indagación en la reactividad de resultados de las pruebas del virus de la inmunodeficiencia humana (VIH) utilizando modelos predictivos basados en Machine Learning, sin embargo, si se lograra predecir la reactividad positiva de la prueba de VIH de una persona con anterioridad, se podría realizar las acciones oportunas con antelación para poder brindarle una atención oportuna a la persona, además así poder asignar la preparación del tratamiento antirretroviral (TARV) y esquema de tratamiento a utilizar adecuado. Por tal motivo, este estudio propone un enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning. Los datos utilizados proceden de los registros del personal de salud que pertenecen a una brigada móvil y que realizan funciones de tamizaje de VIH a través del Aplicativo Móvil de Tamizaje ITS (App VIH) del Ministerio de Salud del Perú (Minsa). La metodología utilizada consistió en evaluar cuatro modelos de machine learning con los algoritmos “Decision Tree Classifier, Random Forest Classifier, Extra Trees Classifier y Extreme Gradient Boosting”, con la intención de comparar sus resultados y elegir al mejor modelo que presente el mejor desempeño, para luego ser utilizado a través de una interfaz gráfica, que permita determinar si una persona posee Reactividad Positiva o Negativa al resultado de la Prueba de VIH. Los resultados demostraron que el mejor modelo de machine learning para el estudio fue Extra Trees Classifier con un Accuracy Score de 98.19% en comparación con Decision Tree Classifier con el menor Accuracy Score de 98.03%; calculado a través de la precisión promedio usando el puntaje de validación cruzada con 10 interacciones de los datos de entrenamiento; esto indica que el modelo predice con una precisión del 98% la prueba de VIH. Por tal motivo, este modelo podrá ser usado en la toma de decisiones relacionadas con las personas que puedan contraer el VIH y así brindarles un tratamiento antirretroviral (TARV) adecuado, además de la misma forma, apoyar a las labores realizadas por las brigadas móviles urbanas en temas relacionados con el VIH.