Modelo predictivo para la clasificación de donantes de sangre en el Banco de Sangre de la Escuela de Microbiología de la Universidad de Antioquia, Medellín. 2019
RESUMEN: Machine Learning es una disciplina de la Inteligencia Artificial que crea sistemas que aprenden automáticamente identificando patrones complejos en millones de datos, lo que es importante en esta década donde día a día abundan los datos. Este estudio tiene como objetivo elaborar un modelo d...
- Autores:
-
Rodríguez Arango, Laura María
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/18667
- Acceso en línea:
- http://hdl.handle.net/10495/18667
- Palabra clave:
- Donantes de sangre
Blood donors
Bancos de sangre
Blood banks
Modelos predictivos
Forecasting
Análisis de datos
Data analysis
Procesamiento automatizado de datos
Electronic data processing
Banco de Sangre de la Escuela de Microbiología. Universidad de Antioquia
http://id.nlm.nih.gov/mesh/D001782
http://id.nlm.nih.gov/mesh/D001771
http://id.nlm.nih.gov/mesh/D005544
http://id.nlm.nih.gov/mesh/D000078332
http://id.nlm.nih.gov/mesh/D001330
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
Summary: | RESUMEN: Machine Learning es una disciplina de la Inteligencia Artificial que crea sistemas que aprenden automáticamente identificando patrones complejos en millones de datos, lo que es importante en esta década donde día a día abundan los datos. Este estudio tiene como objetivo elaborar un modelo de aprendizaje automático o de máquinas (machine learning -ML) para la clasificación de donantes de sangre voluntarios en donante frecuente o no frecuente, del Banco de Sangre de la Escuela de Microbiología de la Universidad de Antioquia. Para ello se tuvo en cuenta una base de datos extraída del sistema de información de registro de donantes de Sangre de dicho banco y se aplicaron varios tipos de algoritmos (modelos) con el fin de experimentar y finalmente escoger uno o varios de acuerdo a su rendimiento o ajuste. Entre los algoritmos implementados, los que mejor se ajustaron con los datos de Test fueron: Regresión logística, k-Nearest Neighbors, Gaussian Naive Bayes- GNB y Maquinas de soporte de vector –SVM; estos se ajustan todos en un 93%. No obstante, también encontrará conceptos necesarios para el entendimiento y comprensión del experimento. |
---|