Examinando por Autor "Salas Fuentes, Rodrigo"
Mostrando 1 - 2 de 2
Resultados por página
Opciones de ordenación
Ítem Modelos explicables de Aprendizaje Automático para la predicción de complicaciones perinatales en mujeres embarazadas con diabetes(Universidad de Valparaíso, 2021-12-20) Giovanetti Riotti, Macarena Alejandra; Salas Fuentes, RodrigoLa diabetes es considerada uno de los desafíos sanitarios de mayor crecimiento del siglo XXI, esto debido al aumento exponencial de esta afección en los últimos 20 años. A continuación se realizará un estudio a 11.100 gestantes que padecen diabetes atendidas entre los años 2015 al 2021 en el hospital San Camilo de la región de Valparaíso, en la provincia de San Felipe. Esto con el objetivo de conocer el impacto de variables clínicas y sociodemográficas en la predicción de las complicaciones perinatales a través de modelos explicables de machine learning. Del estudio realizado se obtuvo que las variables como el hipotiroidismo, la edad y la obesidad son los factores de riesgo que presentan una mayor asociación con las pacientes diabéticas. Por otro lado, el mejor clasificador para la predicción en la mayoría de las complicaciones resulto ser el bosque aleatorio. Por último, fue posible conocer mediante el método de SHAP el aumento de la probabilidad de presencia de una complicación a través de la interacción entre las variables regresoras.Ítem Motor selector de técnicas de machine learning para la detección de anomalías de consumo eléctrico en clientes residenciales(Universidad de Valparaíso, 2021-12-23) Fernández Escobar, Álvaro Francisco; Salas Fuentes, RodrigoLas empresas distribuidoras de electricidad, se recogen una enorme cantidad de datos sobre sus clientes en particular, producidas mensualmente por medidores ubicados en cada propiedad. Cada cliente tiene un comportamiento diferente, lo que se verá reflejado en cada una de las categorías que se le atribuye a los clientes respectivos. Esta información es analizada para aportar a las empresas distribuidoras de electricidad, mediante la detección de consumos de energía anómalos. Estos consumos se conocen como órdenes de crítica. De esa forma, poder entender su origen y tomar decisiones al respecto. Entonces, una orden de crítica se refiere a aquella solicitud para analizar un cliente, el cual posee un consumo superior a los anteriores, bajo ciertas condiciones determinadas por la empresa. En ese sentido, este proyecto está basado en la selección de un modelo de machine learning, a través de un motor selector que distingue la mejor metodología que se ajuste al conjunto de datos. Dado ese contexto, son tres metodologías de predicción seleccionadas: suavización exponencial, boosting y redes neuronales. El primero trata del modelo predictivo Holt-Winters. El segundo, conocido como Extreme Gradient Boosting (XGBOOST), reacondiciona y es más efectivo que otros modelos gracias a la optimización de sistemas y mejoras algorítmicas. Mientras que el modelo de redes neuronales está basado en redes Long-Short Term Memory (LSTM), tiene la cualidad de detectar variaciones de comportamiento en el núcleo familiar.