Pineda Ancco, Ferdinand EdgardoQuispe Calcina, WillianChuquin Huarachi, Victor LeeAzurin Pereyra, Alex Alejandro2025-06-262025-06-262025-02-10http://repositorio.upeu.edu.pe/handle/20.500.12840/8862Este 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.application/pdfspainfo:eu-repo/semantics/embargoedAccessMachine learningObesidadSobrepesoModelos de regresióninfo:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.02.04