Algoritmos de clasificación para la detección de obesidad en adolescentes: Un estudio comparativo entre KNN y árboles de decisión
DOI:
https://doi.org/10.36825/RITI.11.23.007Palabras clave:
K vecinos más próximos, Árboles de decisión, obesidad en adolescentesResumen
El aprendizaje automático es una rama de la inteligencia artificial que se centra en desarrollar algoritmos y modelos estadísticos para que los sistemas informáticos puedan aprender y mejorar su desempeño a partir de datos. Los algoritmos de clasificación son un tipo de modelo de aprendizaje automático que se utilizan para predecir la clase o categoría de un objeto en función de las características o atributos observados. En el caso de la clasificación de la obesidad, estos algoritmos se han utilizado para desarrollar modelos que permitan predecir si un individuo tiene obesidad a partir de datos como el índice de masa corporal, la edad, el género y otros factores de riesgo. Esto puede ayudar a identificar la obesidad tempranamente y a implementar intervenciones preventivas y de tratamiento más eficaces. En este artículo se compara la eficacia de dos algoritmos para predecir la obesidad en adolescentes utilizando un conjunto de datos de 200 participantes de entre 15 y 19 años y cuatro variables (peso, edad, talla y género). Se comparan los algoritmos de árboles de decisión y k vecinos más cercanos, y se concluye que ambos son efectivos en la clasificación de la obesidad en adolescentes, aunque los árboles de decisión son una opción más precisa.
Citas
Organización Panamericana de la Salud. (2023). Prevención de la Obesidad. Paho. https://www.paho.org/es/temas/prevencion-obesidad#:~:text=Si%20se%20examina%20%C3%BAnicamente%20la,31%25%20de%20las%20mujeres).
Morales Márquez, L. E., Carrillo Ruiz, M., García Juárez, P., Colmenares Guillén, L. E. (2022). Determinación del riesgo de diabetes en México mediante un sistema difuso optimizado por recocido simulado. Revista de Investigación en Tecnologías de la Información, 10 (20), 130–144. https://doi.org/10.36825/RITI.10.20.011
Pérez-de-Celis Herrero, C., Lara Muñoz, C., Somodevilla García, M. J., Pineda Torres, I. H., Colmenares Guillen, E. (2016). Estilo de Vida de los Estudiantes de Informática. Revista de Investigación en Tecnologías de la Información, 4 (8), 7–13. https://doi.org/10.36825/RITI.04.08.002
Cardel, M. I., Atkinson, M. A., Taveras, E. M., Holm, J. C., Kelly, A.S. (2020). Tratamiento de la obesidad entre adolescentes: una revisión de la evidencia actual y las direcciones futuras. JAMA Pediatrics, 174 (6), 609–617. https://doi.org/10.1001/jamapediatrics.2020.0085
Instituto Nacional de Salud Pública. (2022). Encuesta Nacional de Salud y Nutrición 2021 sobre COVID-19. https://www.insp.mx/resources/images/stories/2022/docs/220804_Ensa21_digital_4ago.pdf
Alpaydin, E. (2019). Introduction to machine learning (3rd ed.). MIT Press
Delgado Huacallo, R. E., Ilachoque Hanccoccallo, C., Luque Sanabria, F., Paniura Huamani, J. M. (2022). Predicción del nivel de obesidad en personas usando el modelo de árbol de decisión. Revista Innovación y Software. https://n2t.net/ark:/42411/s9/a71
Becerra Romero, N. E., Huayna Dueñas, A. M. (2022). Aplicación Web Basado en Minería de Datos usando la Técnica de Naive Bayes para la Predicción de la obesidad en edad infantil en los Hospitales Públicos de Lima. Revista de investigación de Sistemas e Informática, 14 (2), 89–98. https://doi.org/10.15381/risi.v14i2.23150
Alva R, Lisset, Laria M, Julio, Ibarra M, Salvador, Castán R, José, Terán V, Jesús. (2020). Propuesta de un modelo difuso para determinar sobrepeso y obesidad en niños y adolescentes. Revista chilena de nutrición, 47 (4), 545-551. https://dx.doi.org/10.4067/S0717-75182020000400545
Arenas Rodríguez, A., Torres Naira, C., Vizcarra Huyhua, F. de, Sulla Torres, J., Méndez Cornejo, J. (2016). Comparación de algoritmos evolutivos para la optimización en la clasificación de la obesidad en escolares. UCMaule, (51), 25-42. https://revistaucmaule.ucm.cl/article/view/15
IBM. (2023). What is the k-nearest neighbors algorithm? https://www.ibm.com/topics/knn
Cheng, X., Lin, S. Y., Liu, J., Liu, S., Zhang, J., Nie, P., Fuemmeler, B. F., Wang, Y., Xue, H. (2021). Does physical activity predict obesity—a machine learning and statistical method-based analysis. International Journal of environmental research and public Health, 18 (8), 1-11. https://doi.org/10.3390/ijerph18083966
MathWorks. (2014). knnclassification.m. Archivo de software. https://la.mathworks.com/matlabcentral/fileexchange/47033-knnclassification-m
Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. (1984). Classification and Regression Trees. Routledge.
Origel-Rivas, C. G., Lara, E. R., Barrera, I. A., Alejo-Eleuterio, R. (2020). Redes neuronales artificiales y árboles de decisión para la clasificación con datos categóricos. Research in Computing Science., 149 (8), 541-554. https://rcs.cic.ipn.mx/rcs/2020_149_8/Redes%20neuronales%20artificiales%20y%20arboles%20de%20decision%20para%20la%20clasificacion%20con%20datos%20categoricos.pdf
Santiago Bazan, F., Mallqui Meza, H., Rios Recra, R. (2021). Mapeo de la cobertura vegetal en la subcuenca Quillcay (Ancash–Perú) con el clasificador de Árbol de decisiones. Aporte Santiaguino, 14 (1), 78-91. https://doi.org/10.32911/as.2021.v14.n1.761
MathWorks. (2023.). fitctree (MATLAB). https://la.mathworks.com/help/stats/fitctree.html?s_tid=srchtitle_fitctree_1
Arenas Rodríguez, A. C., Torres Naira, C. A., Vizcarra Huyhua, F. M., Sulla-Torres, J., Méndez-Cornejo, J. (2016). Comparación de algoritmos evolutivos para la optimización en la clasificación de la obesidad en escolares. Revista Académica UCMaule, (51), 25-42. https://revistaucmaule.ucm.cl/article/view/15
Grecco Dos Santos, R.R., Carra Forte, G., Mundstock, E., Azambuja Amaral, M., Gomes da Silveira, C., Chaves Amantéa, F., Frota Variani, J., Booij, L., Mattiello, R. (2020). Body composition parameters can better predict body size dissatisfaction than body mass index in children and adolescents. Eat Weight Disord, 25, 1197–1203. https://doi.org/10.1007/s40519-019-00750-4
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
