Evaluación de la precisión de acierto de un conjunto desbalanceado mediante la combinación de clasificadores

• Autores: Ganz, Nancy Beatriz; Ares, Alicia Esther; Kuna, Horacio Daniel; Congreso Argentino de Ciencias de la Computación (25° : 2019 : Río cuarto)
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ensamble de clasificadores; Predicción; Clase minoritaria; Postoperatorio; Implantes dentales; Ciencias Informáticas
• Institución: Universidad Nacional de Misiones

Fil: Ganz, Nancy Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia Esther. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia Esther. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Kuna, Horacio Daniel. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Investigación, Desarrollo e Innovación en Informática; Argentina.
El campo de la ciencia de datos ha tenido muchos avances respecto a la aplicación y desarrollo de técnicas en el sector de la salud. Sin embargo, no se han encontrado trabajos que apliquen procesos o técnicas de aprendizaje automático específicamente al campo de la odontología, como es el caso de los injertos o implantes dentales. En este trabajo se estudia la aplicación de varios clasificadores para evaluar la precisión de clasificación de forma integrada sobre un conjunto desbalanceado, referido a historias clínicas de implantes dentales recolectados en puntos característicos de la Provincia de Misiones, Argentina. El modelo abarcó la combinación de los clasificadores: Random Forest, SVC, KNN, Naive Bayes y un Perceptrón Multicapa. La integración de las predicciones se realiza a través del promedio de las mismas, empleando un umbral y pesos en los clasificadores. Como resultado, cada clasificador logró hasta un 68% de acierto de la clase minoritaria, mientras que la integración de todas las predicciones permitió alcanzar el 72% de casos correctamente identificados como fracaso.