Show simple item record


dc.creatorDe-La-Hoz-Correa, Eduardo
dc.creatorMendoza Palechor, Fabio
dc.creatorDe-La-Hoz-Manotas, Alexis
dc.creatorMorales Ortega, Roberto
dc.creatorSánchez Hernández, Adriana Beatriz
dc.date.accessioned2019-05-16T20:17:15Z
dc.date.available2019-05-16T20:17:15Z
dc.date.issued2019-04-15
dc.identifier.issn15493636
dc.identifier.urihttp://hdl.handle.net/11323/4176
dc.description.abstractObesity has become a global epidemic that has doubled since 1980, with serious consequences for health in children, teenagers and adults. Obesity is a problem has been growing steadily and that is why every day appear new studies involving children obesity, especially those looking for influence factors and how to predict emergence of the condition under these factors. In this study, authors applied the SEMMA data mining methodology, to select, explore and model the data set and then three methods were selected: Decision trees (J48), Bayesian networks (Naïve Bayes) and Logistic Regression (Simple Logistic), obtaining the best results with J48 based on the metrics: Precision, recall, TP Rate and FP Rate. Finally, a software was built to use and train the selected method, using the Weka library. The results confirmed the Decision Trees technique has the best precision rate (97.4%), improving results of previous studies with similar background.es_ES
dc.description.abstractLa obesidad se ha convertido en una epidemia mundial que se ha duplicado desde 1980, con graves consecuencias para la salud en niños, adolescentes y adultos. La obesidad es un problema que ha estado creciendo de manera constante y es por eso que cada día aparecen nuevos estudios que involucran a niños obesos, especialmente aquellos que buscan factores de influencia y cómo predecir la aparición de la enfermedad bajo estos factores. En este estudio, los autores aplicaron la metodología de minería de datos SEMMA, para seleccionar, explorar y modelar el conjunto de datos y luego se seleccionaron tres métodos: árboles de decisión (J48), redes bayesianas (Naïve Bayes) y regresión logística (logística simple), obteniendo la Los mejores resultados con J48 se basan en las métricas: precisión, recuperación, TP Rate y FP Rate. Finalmente, se construyó un software para usar y entrenar el método seleccionado, utilizando la biblioteca Weka. Los resultados confirmaron que la técnica de árboles de decisión tiene la mejor tasa de precisión (97.4%), mejorando los resultados de estudios previos con antecedentes similares.es_ES
dc.language.isoenges_ES
dc.publisherUniversidad de la Costaes_ES
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectData mininges_ES
dc.subjectDecision treeses_ES
dc.subjectJavaes_ES
dc.subjectLogistic regressiones_ES
dc.subjectNaive bayeses_ES
dc.subjectObesityes_ES
dc.subjectSemmaes_ES
dc.subjectWekaes_ES
dc.subjectMinería de datoses_ES
dc.subjectÁrboles de decisiónes_ES
dc.subjectJavaes_ES
dc.subjectRegresión logísticaes_ES
dc.subjectBayas ingenuases_ES
dc.subjectObesidades_ES
dc.subjectSemmaes_ES
dc.titleObesity level estimation software based on decision treeses_ES
dc.title.alternativeSoftware de estimación de nivel de obesidad basado en árboles de decisión.es_ES
dc.typeArticlees_ES
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses_ES


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-ShareAlike 4.0 International
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-ShareAlike 4.0 International