Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado

Autores
Martinelli, Jonatan Emanuel
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Hasperué, Waldo
Giandini, Roxana Silvia
Ronchetti, Franco
Bria, Oscar N.
Descripción
El problema de las distribuciones de datos no balanceados entre clases ha recibido una atención considerable en disciplinas como el Aprendizaje Automático y Minería de Datos. En el contexto de problemas de clasificación un conjunto de datos no está balanceado si una de las clases -mayoritaria- está sensiblemente más representada que el resto. Por tanto, se puede conducir a aprendizajes sesgados en perjuicio de la clase minoritaria, que usualmente, contiene los casos de mayor interés. Por ello, este trabajo pretende estudiar diversas estrategias de balanceo de clases las cuales se aplicarán a la baja de beneficiarios de un servicio de cobertura médica. Cada estrategia dará lugar a diferentes versiones del conjunto de datos original para la misma representación; luego, para cada variante del set de datos, se aplicarán las mismas técnicas predictivas. De esta forma se obtendrán diversos modelos y se analizarán sus rendimientos mediante las métricas precision, recall, accuracy y F-Measure.
Especialista en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
Materia
Informática
Desbalance de clases
Métodos de balanceo de clases
Clasificación
Machine Learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/147410
Acceder
id SEDICI_2625df5ecd8c39405878f3f2cfbd28ae
oai_identifier_str oai:sedici.unlp.edu.ar:10915/147410
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privadoMartinelli, Jonatan EmanuelInformáticaDesbalance de clasesMétodos de balanceo de clasesClasificaciónMachine LearningEl problema de las distribuciones de datos no balanceados entre clases ha recibido una atención considerable en disciplinas como el Aprendizaje Automático y Minería de Datos. En el contexto de problemas de clasificación un conjunto de datos no está balanceado si una de las clases -mayoritaria- está sensiblemente más representada que el resto. Por tanto, se puede conducir a aprendizajes sesgados en perjuicio de la clase minoritaria, que usualmente, contiene los casos de mayor interés. Por ello, este trabajo pretende estudiar diversas estrategias de balanceo de clases las cuales se aplicarán a la baja de beneficiarios de un servicio de cobertura médica. Cada estrategia dará lugar a diferentes versiones del conjunto de datos original para la misma representación; luego, para cada variante del set de datos, se aplicarán las mismas técnicas predictivas. De esta forma se obtendrán diversos modelos y se analizarán sus rendimientos mediante las métricas precision, recall, accuracy y F-Measure.Especialista en Inteligencia de Datos orientada a Big DataUniversidad Nacional de La PlataFacultad de InformáticaHasperué, WaldoGiandini, Roxana SilviaRonchetti, FrancoBria, Oscar N.2022-05-11info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTrabajo de especializacionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/147410spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:09:44Zoai:sedici.unlp.edu.ar:10915/147410Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:09:44.427SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
title Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
spellingShingle Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
Martinelli, Jonatan Emanuel
Informática
Desbalance de clases
Métodos de balanceo de clases
Clasificación
Machine Learning
title_short Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
title_full Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
title_fullStr Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
title_full_unstemmed Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
title_sort Clasificación de datos desbalanceados : Su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado
dc.creator.none.fl_str_mv Martinelli, Jonatan Emanuel
author Martinelli, Jonatan Emanuel
author_facet Martinelli, Jonatan Emanuel
author_role author
dc.contributor.none.fl_str_mv Hasperué, Waldo
Giandini, Roxana Silvia
Ronchetti, Franco
Bria, Oscar N.
dc.subject.none.fl_str_mv Informática
Desbalance de clases
Métodos de balanceo de clases
Clasificación
Machine Learning
topic Informática
Desbalance de clases
Métodos de balanceo de clases
Clasificación
Machine Learning
dc.description.none.fl_txt_mv El problema de las distribuciones de datos no balanceados entre clases ha recibido una atención considerable en disciplinas como el Aprendizaje Automático y Minería de Datos. En el contexto de problemas de clasificación un conjunto de datos no está balanceado si una de las clases -mayoritaria- está sensiblemente más representada que el resto. Por tanto, se puede conducir a aprendizajes sesgados en perjuicio de la clase minoritaria, que usualmente, contiene los casos de mayor interés. Por ello, este trabajo pretende estudiar diversas estrategias de balanceo de clases las cuales se aplicarán a la baja de beneficiarios de un servicio de cobertura médica. Cada estrategia dará lugar a diferentes versiones del conjunto de datos original para la misma representación; luego, para cada variante del set de datos, se aplicarán las mismas técnicas predictivas. De esta forma se obtendrán diversos modelos y se analizarán sus rendimientos mediante las métricas precision, recall, accuracy y F-Measure.
Especialista en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
description El problema de las distribuciones de datos no balanceados entre clases ha recibido una atención considerable en disciplinas como el Aprendizaje Automático y Minería de Datos. En el contexto de problemas de clasificación un conjunto de datos no está balanceado si una de las clases -mayoritaria- está sensiblemente más representada que el resto. Por tanto, se puede conducir a aprendizajes sesgados en perjuicio de la clase minoritaria, que usualmente, contiene los casos de mayor interés. Por ello, este trabajo pretende estudiar diversas estrategias de balanceo de clases las cuales se aplicarán a la baja de beneficiarios de un servicio de cobertura médica. Cada estrategia dará lugar a diferentes versiones del conjunto de datos original para la misma representación; luego, para cada variante del set de datos, se aplicarán las mismas técnicas predictivas. De esta forma se obtendrán diversos modelos y se analizarán sus rendimientos mediante las métricas precision, recall, accuracy y F-Measure.
publishDate 2022
dc.date.none.fl_str_mv 2022-05-11
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
Trabajo de especializacion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/147410
url http://sedici.unlp.edu.ar/handle/10915/147410
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260600007163904
score 13.13397

Publicaciones similares