Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 143 vistas

    Resumen Ejecutivo

    Cargado por

    Vicho Jara Contreras
    El documento describe el uso de técnicas de minería de datos como SVM para predecir si un tumor de mama es benigno o maligno utilizando una base de datos de la Universidad de Wisconsin. Se replicaron estudios previos que obtuvieron una exactitud del 95-97% y se generó un modelo que mejoró la predicción de resultados negativos, reduciendo los falsos negativos. Los resultados mostraron que SVM tuvo un mejor rendimiento que otros clasificadores y que usar una función de núcleo gaussiano mejoró los resultados de la predicción.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Resumen Ejecutivo

    Cargado por

    Vicho Jara Contreras
    143 vistas1 página
    El documento describe el uso de técnicas de minería de datos como SVM para predecir si un tumor de mama es benigno o maligno utilizando una base de datos de la Universidad de Wisconsin. Se replicaron estudios previos que obtuvieron una exactitud del 95-97% y se generó un modelo que mejoró la predicción de resultados negativos, reduciendo los falsos negativos. Los resultados mostraron que SVM tuvo un mejor rendimiento que otros clasificadores y que usar una función de núcleo gaussiano mejoró los resultados de la predicción.

    Descripción original:

    resumen

    Título original

    Resumen ejecutivo

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe el uso de técnicas de minería de datos como SVM para predecir si un tumor de mama es benigno o maligno utilizando una base de datos de la Universidad de Wisconsin. Se replicaron estudios previos que obtuvieron una exactitud del 95-97% y se generó un modelo que mejoró la predicción de resultados negativos, reduciendo los falsos negativos. Los resultados mostraron que SVM tuvo un mejor rendimiento que otros clasificadores y que usar una función de núcleo gaussiano mejoró los resultados de la predicción.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    143 vistas1 página

    Resumen Ejecutivo

    Cargado por

    Vicho Jara Contreras
    El documento describe el uso de técnicas de minería de datos como SVM para predecir si un tumor de mama es benigno o maligno utilizando una base de datos de la Universidad de Wisconsin. Se replicaron estudios previos que obtuvieron una exactitud del 95-97% y se generó un modelo que mejoró la predicción de resultados negativos, reduciendo los falsos negativos. Los resultados mostraron que SVM tuvo un mejor rendimiento que otros clasificadores y que usar una función de núcleo gaussiano mejoró los resultados de la predicción.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 1

    Resumen ejecutivo

    En el presente trabajo se aborda la problemtica del diagnostico del cncer de mama a


    travs de tcnicas de minera de datos como lo es SVM. Para esto, se utiliz la base de
    datos de diagnostico de cncer de la Universidad de Wisconsin y se generaron
    modelos que predecan el carcter benigno o maligno de un tumor.

    Primero que todo, se estableci la importancia del problema en la sociedad actual,


    siendo el cncer de mama uno de los que poseen mayor prevalencia en Chile y los
    pocos avances que se han realizado en materia de diagnostico, donde las tcnicas
    actuales no son tan efectivas (mamografa o tacto) o son muy invasivos (biopsia). Se
    determino la necesidad de generar un mecanismo de diagnostico efectivo y simple de
    aplicar.

    Con el problema definido, se realiz un anlisis profundo a la literatura respecto a


    utilizacin de clasificadores como SVM en el diagnostico del cncer de mama. Se
    encontraron diversos estudios que obtenan un grado de exactitud que estaba dentro
    del 95%-97% y que utilizaban la misma base de datos. Con esto, se decidi replicar
    dichos estudios para posteriormente generar alguna variacin que permitiera reducir
    los falsos negativos, que son personas que fueron diagnosticadas como libres de
    cncer cuando en verdad tenan un tumor maligno.

    Posterior a eso, se estableci todo el marco terico que sustenta el problema de


    estudio, en el cual se explico la base de datos utilizada, el fundamento matemtico que
    hay detrs de los clasificadores como SVM, el software utilizado para la resolucin del
    modelo y la metodologa que se utilizo para resolver la problemtica.

    Finalmente, se obtuvieron tres resultados importantes. En primer lugar, se verific


    que SVM posee un rendimiento mejor que el de otros clasificadores como Naive Bayes
    o BayesNet. Por otra parte, se mostro numricamente que usar SVM con una funcin
    de ncleo (kernel) de tipo gaussiano entrega mejores resultados a la hora de realizar
    la prediccin. Finalmente, se gener un modelo que permiti, disminuyendo un poco
    la exactitud, aumentar la calidad de la prediccin del negativo. Esto quiere decir que
    se consigui un modelo que mejoro su calidad a la hora de predecir que una persona
    estaba libre de cncer. De esta forma, se redujeron de forma significativa los errores
    de diagnostico de ese tipo, los cuales eran los mas costosos del punto de vista de la
    aplicacin.

    Por ultimo, se discutieron los resultados y se analizaron futuras lneas de


    investigacin para continuar con este trabajo.

    También podría gustarte