2019 LACCEI - Montego Bay, Jamaica
Permanent URI for this collectionhttps://axces.info/handle/10.18687/47
"Industry, Innovation, and Infrastructure for Sustainable Cities and Communities". Montego Bay, Jamaica. July 24 - 26, 2019
Browse
2 results
Search Results
Item Predicción de riesgo de osteoporosis en escolares utilizando minería de datos(LACCEI, Inc., 2019-07) Sulla-Torres, Jose; Incalla-Nina, Christian; Portilla-Arias, Renzo; Ccama-Yana, Doris; Calluchi-Arocutipa, BritselLa baja densidad mineral ósea y la pérdida de tejido óseo pueden dar lugar a huesos débiles y frágiles. Estos patrones son características típicas de la osteoporosis. Este problema de salud pública común no tiene síntomas. La osteoporosis es una enfermedad considerada como la epidemia mundial del siglo 21. El objetivo del estudio fue evaluar y detectar la densidad mineral ósea en niños y adolescente de 6 a 16 años de edad. Se efectuó un pre-procesamieno de datos con la técnica KDD, utilizando reglas de asociación como técnica de clasificación. Posteriormente se realiza la comparación de resultados con la base de datos de un densitómetro real. Los resultados evidenciaron que niños y niñas poseen osteoporosis y osteopenia.Item Predicción para el Negocio de Alquiler de Automóviles con Técnicas Supervisadas(LACCEI, Inc., 2019-07) Sulla-Torres, Jose; Zapata-Quentasi, Sandra; Yauri-Ituccayasi, Alba; Huamani-Avendaño, RodrigoEl alquiler de autos es una nueva tendencia y ya es una realidad en muchos países, ya que es una opción más económica que mantener uno propio. El objetivo de este artículo es identificar el auto ideal para una persona, según las características que desee. En el presente trabajo se hizo un estudio de los pasos previos que involucra la predicción de un auto según las características deseadas y se realizó una comparación de los algoritmos de clasificación para determinar que clasificar es el adecuado en cuanto a la precisión de la predicción. Los pasos que se siguieron fueron: La colección de datos, el preprocesamiento, la preparación de datos y la comparación de los algoritmos de clasificación. Los resultados obtenidos muestran que el algoritmo Random Forest presenta un 95.12% de clasificación correcta de las instancias y un error medio cuadrático de 0.12, lo que son unos resultados aceptables para las pruebas realizadas.