Mostrar el registro sencillo del ítem
Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve
dc.contributor.advisor | Atalaya Urrutia, Carlos William | |
dc.contributor.author | Lucero Cieza, Robinson | |
dc.date.accessioned | 2022-09-21T17:06:02Z | |
dc.date.available | 2022-09-21T17:06:02Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12802/9898 | |
dc.description.abstract | A nivel mundial la depresión lo padece unos 350 millones de seres humamos y el 5% es a nivel de Latinoamérica, es así que, cada veintidós minutos un ser humano intenta hacerse daño, las edades con mayores problemas depresivos son los adolescentes el cual representa el 10%, el 6% adultos mayores de 18 años y 3.5% en niños de 6 a 10 años, en el Perú, el 80% de suicidios es a causa de la depresión, hay un millón setecientos mil personas que presentan cuadro depresivo, pero solo es atendido un 25% con atención especializada y el 65% simplemente no busca ayuda, estudios han demostrado que a nivel del ministerio de salud, el documento técnico llamado “auto escala de Zung”, es el más adecuado para la identificación de este problema analizando la medición de la depresión a través de información de aspectos cognitivos, afectivos y somáticos del paciente, dicho documento tiene una especificidad del 63% y sensibilidad del 97%, aprobando un acierto del 82% para discriminar la depresión. En esta investigación se construyó un método que inicia con la elaboración de un dataset de acuerdo a las variables de ingreso y salida así como el nivel de prioridad basados en el cuestionario de Zung, después se realizó la elección de las técnicas de aprendizaje de máquina, utilizadas para tratar casos de diagnóstico de depresión con mayor precisión, entre ellas lograron destacar, naive bayes, árbol de decisión, redes neuronales y maquinas vectores de soporte, acto seguido se implementó las técnicas mencionadas para ser comparadas y evaluadas según su desempeño, para el desarrollo de las mismas se utilizó la plataforma de google colaboratory con el lenguaje de programación python, según el método propuesto, desarrollado y evaluado se concluye que las redes neuronales tienen una precisión del 100% para el diagnóstico de depresión. | es_PE |
dc.description.uri | Tesis | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Señor de Sipán | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ | * |
dc.source | Repositorio Institucional - USS | es_PE |
dc.source | Repositorio Institucional USS | es_PE |
dc.subject | Aprendizaje automático | es_PE |
dc.subject | Trastornos depresivos | es_PE |
dc.subject | Diagnóstico de depresión | es_PE |
dc.subject | Redes neuronales | es_PE |
dc.subject | Máquinas de soporte | es_PE |
dc.subject | Árbol de decisión | es_PE |
dc.subject | Naive bayes | es_PE |
dc.title | Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.grantor | Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo | es_PE |
thesis.degree.name | Ingeniero de Sistemas | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
renati.advisor.dni | 08167960 | |
renati.advisor.orcid | https://orcid.org/0000-0002-2761-4868 | es_PE |
renati.author.dni | 46735950 | |
renati.discipline | 612076 | es_PE |
renati.juror | Vásquez Leyva, Oliver | es_PE |
renati.juror | Sialer Rivera, María Noelia | es_PE |
renati.juror | Díaz Vidarte, Miguel Orlando | es_PE |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
dc.description.lineadeinvestigacion | Infraestructura, Tecnología y Medio Ambiente | es_PE |
dc.publisher.country | PE | es_PE |