Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
Análisis comparativo de algoritmos de árboles de decisión
en el procesamiento de datos biológicos
Comparative analysis of algorithms of decision trees in the processing
of biological data
Luis Charris, Cesar Henriquez, Stiven Hernandez, Luis Jimeno, Oscar Guillen, Silvia Moreno.
Universidad Simón Bolívar, Barranquilla-Colombia
Resumen
En este trabajo se evalúa el desempeño de varios algoritmos de árboles de decisión, para así encontrar por
medio de comparaciones, cuales son más efectivos en el análisis de datos biológicos. Los árboles de
decisión son un modelo de clasificación utilizado en la inteligencia artificial, cuya principal característica
es su aporte visual a la toma de decisiones. Para poner a prueba el rendimiento en el proceso de clasificación
de los árboles de decisión, se utilizarán datos biológicos de pacientes reales, estos datos serán analizados
en el software WEKA. Con esta comparación lo que se busca también es determinar la pertinencia de los
árboles de decisión, es decir si estos pueden ser una buena herramienta para diagnósticos médicos. Estas
comparaciones nos llevaran a aclarar que algoritmos son los más eficaces y apropiados para el análisis de
dichos datos, y así llegar a una buena conclusión.
Palabras clave:
Weka, árboles de decisión, inteligencia artificial.
Abstract
in this work the performance of several algorithms of decision trees is evaluated, to find through
comparisons, which are more effective in the analysis of biological data. Decision trees are a classification
model used in artificial intelligence, whose main feature is its visual contribution to decision making. To
test the performance in the classification process of the decision trees, biological data of real patients will
be used, this data will be analyzed in the software WEKA. With this comparison, what is also sought is to
determine the relevance of decision trees, is whether they can be a good tool for medical diagnostics. These
comparisons will lead us to clarify which algorithm is the most efficient and appropriate for the analysis of
said data, and thus arrive at a good conclusion.
Key words:
Weka, decision trees, artificial intelligence.
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
Introducción
A través del tiempo se han desarrollado una gran cantidad
de métodos para el análisis de datos, los cuales
principalmente están basados en técnicas estadísticas. Sin
embargo, a medida que la información almacenada crece
considerablemente, los métodos estadísticos tradicionales
han empezado a enfrentar problemas de eficiencia y
escalabilidad. Debido a que la mayor parte de esta
información es histórica y procede de fuentes diversas,
parece clara la inminente necesidad de buscar métodos
alternativos para el análisis de este tipo de datos y a partir
de ellos, poder obtener información relevante y no
explícita.
El análisis e interpretación de los datos en la mayoría de
los casos se hacen de forma manual, es decir los
especialistas analizan y elaboran un informe o una
hipótesis acerca de dichos datos, para luego llegar a una
conclusión y a partir de esta tomar decisiones importantes
y significativas. Estos procesos a menudo son muy lentos
y caros, además cuando el volumen de datos es
exageradamente grande sobrepasa la capacidad humana,
entonces se hace muy difícil su análisis sin ayuda de las
herramientas adecuadas. Así también con ayudas de estas
herramientas podemos llegar a un diagnóstico preciso[1].
Para el caso de la medicina, es posible aplicar métodos
alternativos, debido a la gran cantidad de padecimientos
involucrados, las sintomatologías y los pacientes. Lo ideal
sería que los médicos pudieran contar con el apoyo de una
herramienta que les permita analizar los datos
sintomatológicos de cada uno de sus pacientes para poder
determinar con base en casos anteriores, el diagnóstico
más acertado, así como el tratamiento óptimo a seguir, lo
cual representaría un soporte y ayuda para el médico. Una
herramienta alternativa para la predicción y clasificación
de grandes cantidades de datos que es utilizada
ampliamente en el área de la inteligencia artificial son los
árboles de decisión.
Marco teórico
Árboles de Decisiones:
Un árbol de decisión es un modelo de predicción utilizado
en diferentes ámbitos. Su objetivo principal es el
aprendizaje inductivo a partir de observaciones y
construcciones lógicas. Muy similares a los sistemas de
predicción basados en reglas, que sirven para representar
y categorizar una serie de condiciones que ocurren de
forma sucesiva, para la resolución de un problema[2].
El conocimiento obtenido durante el proceso de
aprendizaje inductivo se representa mediante un árbol. Un
árbol gráficamente se representa por un conjunto de
nodos, hojas y ramas. El árbol se representa por nodos,
donde el nodo principal raíz es el atributo a partir del cual
se inicia el proceso de clasificación. Los nodos internos o
nodos hijos son preguntas acerca del atributo o problema.
Los nodos finales o nodos hoja corresponden a una
decisión, la cual coincide con una de las variables clase
del problema a resolver.
Un algoritmo de generación de árboles de decisión consta
de 2 etapas: la primera corresponde a la inducción del
árbol y la segunda a la clasificación. En la primera etapa
se construye el árbol de decisión a partir del conjunto de
entrenamiento; comúnmente cada nodo interno del árbol
se compone de un atributo de prueba y la porción del
conjunto de entrenamiento presente en el nodo es dividida
de acuerdo con los valores que pueda tomar ese atributo.
La construcción del árbol inicia generando su nodo raíz,
eligiendo un atributo de prueba y dividiendo el conjunto
de entrenamiento en dos o más subconjuntos; para cada
partición se genera un nuevo nodo y así sucesivamente.
Cuando en un nodo se tienen objetos de más de una clase
se genera un nodo interno; cuando contiene objetos de una
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
clase solamente, se forma una hoja a la que se le asigna la
etiqueta de la clase.
En la segunda etapa del algoritmo cada objeto nuevo es
clasificado por el árbol construido; después se recorre el
árbol desde el nodo raíz hasta una hoja, a partir de la que
se determina la membresía del objeto a alguna clase. El
camino a seguir en el árbol lo determinan las decisiones
tomadas en cada nodo interno, de acuerdo con el atributo
de prueba presente en él.
Existen muchos algoritmos para generar árboles de
decisión, algunos que se pueden encontrar en el software
WEKA son los siguientes:
El árbol CART es un método de regresión usado para
predecir valores de variables continuas, pero cuando los
supuestos para aplicar este modelo no se cumplen sus
conclusiones pueden ser erróneas. Los árboles de
regresión CART es un método muy fácil de interpretación
de resultados. Los CART utilizan datos históricos, los
cuales se usan para construir árboles de regresión que
permiten la clasificación y la predicción de nuevos datos,
estos tienen como ventaja que pueden manipular con
facilidad variables numéricas, sus principales
características es su robustez a outliers o valores atípicos,
la invariancia en la estructura de sus árboles de
clasificación a transformación monótonas de las variables
independientes, y la interoperabilidad [3].
El árbol de decisión REETTree este método de
aprendizaje por medio de árbol de decisiones es muy fácil
y muy rápido de utilizar. Este árbol se construye mediante
la información de varianzas, y se poda utilizando los
criterios de reducción de errores. Este árbol de decisión
clasifica solo atributos numéricos una única vez, los
valores restantes son obtenidos de futuras instancias,
dividiendo dichas instancias en segmentos de
información[4].
El RandomTree es un árbol dibujado al azar de una serie
de árboles posibles. En este contexto y en otras fuentes de
información tomaremos el "al azar" como que cada árbol
de estudio de árboles tiene una posibilidad igual de ser
probado. Otro modo de decir esto sería que la distribución
de árboles es uniforme. El proceso del RandomTree es un
proceso que produce random tree de permutaciones
arbitrarias[5].
C4.5 es un algoritmo usado para generar un árbol de
decisión desarrollado por Ross Quinlan [2]. C4.5 es una
extensión del algoritmo ID3 desarrollado anteriormente
por Quinlan. Los árboles de decisión generador por C4.5
pueden ser usados para clasificación, y por esta razón,
C4.5 está casi siempre referido como un clasificador
estadístico, loara nuestro proyecto usaremos una
implementación open source en lenguaje de programación
Java del algoritmo C4.5 que es el J48 en la
herramienta weka.
Otro tipo de árbol que se desprende de este mismo es el
J48 Consolidated que se utiliza para construir un árbol
consolidado del C4.5 [5]. En este se construye un solo
árbol basado en un conjunto de sub muestras, se añaden
nuevas opciones a la clase J48 para establecer el método
RE-sampling: que en un ámbito estadístico posee una serie
de métodos que permiten en pocas palabras estimar
muestras estadísticas, realizar test de significancia y la
validación de modelos, todo esto para la generación de
muestras que se utilizarán en el proceso de consolidación.
El LMT (Logistic Model Tree) proporciona una
descripción muy buena de los datos. Consiste en una
estructura de un árbol de decisión con funciones de
regresión logística en las hojas. Como en los árboles de
decisión ordinarios, una prueba sobre uno de los atributos
es asociado con cada nodo interno [6].
Siguiendo con los arboles tenemos el M5P (Árbol de
regresión) en este árbol de decisiones se utiliza un criterio
estándar llamado M5 que es un árbol basado en árbol de
decisión numérico tipo model tree. Se caracteriza por;
Construir árboles mediante un algoritmo inductivo de
árbol de decisión, toma de decisiones de enrutado en nodos
los cuales son tomados a partir de los valores de los
atributos y cada hoja tiene asociada una clase que permite
calcular el valor estimado de la instancia mediante una
regresión lineal [7].
Estado del arte
Para afianzar la formulación de nuestro tema
investigativo, estableceremos una serie de comparaciones
con otros trabajos paralelos al de nosotros para aumentar
nuestra compresión hacia nuestro proyecto, por ejemplo,
se revisó la investigación de Rocío Erandi Barrientos
Martínez [8] que trabajó en la temática de “Árboles de
decisión como herramienta en el diagnóstico médico”
donde evalúo el desempeño de tres de los algoritmos más
representativos para la construcción de árboles de
decisión. Donde argumenta ante mano que los árboles de
decisión son un modelo de clasificación utilizado en la
inteligencia artificial, cuya principal característica es su
aporte visual a la toma de decisiones. Para poner a prueba
el rendimiento en el proceso de clasificación de los
árboles de decisión, se utilizaron dos bases de datos que
contenían datos médicos de pacientes reales. Estos datos
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
corresponden a la sintomatología que un médico
especialista considera para el diagnóstico de cáncer de
seno. Una de las bases de datos contenía 692 casos
recopilados de las observaciones de un solo médico y la
otra, contenía 322 casos recopilados de la observación de
19 especialistas. En suma, se busca determinar la
pertinencia de los árboles de decisión, es decir, si pueden
ser una herramienta de apoyo para el diagnóstico médico.
Otro artículo que leímos fue el de ”Árboles de decisiones
en el diagnóstico de enfermedades cardiovasculares” por
Guillermo Roberto Solarte Martínez [9]. En este artículo
se presenta una descripción de los árboles de decisión y
del algoritmo ID3 (Inducción Decision tree) para
determinar si se debe o no aplicar fármacos a paciente con
enfermedades cardiovasculares. En esta investigación se
demuestra empíricamente que es posible diagnosticar la
necesidad de administrar fármacos en pacientes con
síntomas de enfermedad cardiovascular, usando las
variables presión arterial, índice de colesterol, azúcar en
la sangre, alergias a antibióticos y otras alergias, mediante
la utilización de árboles de decisión con el algoritmo ID3
(Induction Decision tree) implementado en el lenguaje
Java.
Otro artículo muy similar al anterior pero usando otro tipo
de árbol de decisiones es el de “Técnicas de ml en
medicina cardiovascular” por Alexis Kevin de la Hoz
Manotas [10] en el cual menciona que la ciencia médica
maneja grandes cantidades de información. Técnicas
avanzadas de Machine Learning (ml) como árboles de
decisión, máquinas de soporte vectorial y regresión
logística pueden ser utilizadas para descubrir patrones
ocultos en los datos. Modelos desarrollados a partir de
estas técnicas serán de gran utilidad para la
ciencia médica, permitiendo tomar decisiones
eficaces. Este artículo permite observar los resultados
obtenidos en relación con la capacidad de precisión de las
técnicas de Machine Learning, luego de someterlas a
pruebas mediante un conjunto de datos relacionados
con enfermedades cardiovasculares suministrados por el
repositorio uci. Después de validar las técnicas
mencionadas con el repositorio uci, se obtiene como
resultado que la regresión logística ofrece los mayores
niveles de precisión. Cabe resaltar que las técnicas de
máquinas de soporte vectorial (svm) y árboles de decisión
(ad) ofrecen resultados aceptables; sin embargo, no se
encuentran al nivel de los resultados obtenidos por la
regresión logística.
Entre otras investigaciones tenemos una realizada por
Frank Dávila Hernández [11], en su investigación llamada
“Técnicas de minería de datos aplicadas al diagnóstico de
entidades clínicas” que consiste en disminuir el error
médico y mejorar los procesos de salud, lo que es
prioridad de todo el personal sanitario. En este contexto
surgen los "Sistemas Clínicos de Soporte para la toma de
Decisiones" (CDSS), los cuales son un componente
fundamental en la informatización de la capa clínica. Con
la evolución de las tecnologías gran cantidad de datos han
podido ser estudiados y clasificados a partir de la minería
de datos. Una de las principales ventajas de la utilización
de esta, en los CDSS, ha sido su capacidad de generar
nuevos conocimientos. Con este fin se propone, mediante
la combinación de dos modelos matemáticos, cómo se
puede contribuir al diagnóstico de enfermedades usando
técnicas de minería de datos. Para mostrar los modelos
utilizados se tomó como caso de estudio la hipertensión
arterial. El desarrollo de la investigación se rige por la
metodología más utilizada actualmente en los procesos de
Descubrimiento de Conocimiento en Bases de Datos:
CRISP-DM 1.0, y se apoya en la herramienta de libre
distribución WEKA 3.6.2, de gran prestigio entre las
utilizadas para el modelado de minería de datos. Como
resultados se obtuvieron diversos patrones de
comportamiento con relación a los factores de riesgo a
sufrir hipertensión mediante técnicas de minería de datos.
Citando otro trabajo tenemos el de Grettel Pérez Díaz [12]
que se dedicó a la temática de “Sistema inteligente para
pronóstico de supervivencia de paciente con trasplante
renal” que se basó en obtener un sistema basado en el
conocimiento híbrido para la predicción del tiempo de
supervivencia del injerto renal de pacientes del Hospital
Universitario “Dr. Arnaldo Milián Castro”. Este se
desarrolla a partir de la edición de una base de casos
obtenida como resultado de la ingeniería de
conocimiento, utilizando WEKA se determinan los
métodos de aprendizaje que mejores resultados generan
en el pronóstico del rasgo objetivo que es continuo y
representa tiempo de supervivencia del injerto.
Otra persona que se basó en los árboles de decisiones para
sus investigaciones fue Ana Aguilera y Alberto Subero
[13] en su proyecto llamado “Modelos de clasificación en
marcha patológica usando árboles de regresión logística”
tomando como objeto de estudio la Hemiplejía Espástica
(HE) que es un tipo de parálisis cerebral, en donde los
miembros superior e inferior del mismo lado están
comprometidos. El Dr. Gage ha sugerido que esta
patología pudiera clasificarse en al menos cuatro grupos
considerando el patrón cinemático en 3 planos (sagital,
transversal y coronal). Tradicionalmente, esta
clasificación de pacientes patoló- gicos es realizada por
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
médicos especialistas basándose en el estudio físico del
paciente y en el análisis clínico de la marcha, esto último,
mediante exámenes complementarios reportados sobre
registros cinéticos, cinemáticas y electromiografía. La
aplicación de técnicas automáticas de clasificación
mediante métodos computarizados constituye un soporte
en esta tarea, no como reemplazo al especialista sino
como una herramienta de apoyo al diagnóstico.
Leímos también sobre la investigación de Javier
Trujillanoa [3], que consiste en “Aproximación a la
metodología basada en árboles de decisión (CART).
Mortalidad hospitalaria del infarto agudo de miocardio,
en resumen, se basó en Realizar una aproximación a la
metodología de árboles de decisión tipo CART
(Classification and Regression Trees) desarrollando un
modelo para calcular la probabilidad de muerte
hospitalaria en infarto agudo de miocardio (IAM).
Método: Se utiliza el conjunto mínimo básico de datos al
alta hospitalaria (CMBD) de Andalucía, Cataluña, Madrid
y País Vasco de los años 2001 y 2002, que incluye los
casos con IAM como diagnóstico principal.
Otro proyecto que tuvimos en cuenta fue uno llamado
“Determinación de la eficacia de la braquit de salida.
Mediante este entrenamiento el modelo ajusta los pesos
de las neuronas ocultas para optimizar la salida. La
ventaja de minería frente a los nomogramas es que posee
terapia en tratamiento de cáncer basada en minería de
datos” [14] dicho proyecto consistía en usar la minería de
datos en vez de nomogramas ya que existe gran variedad
de algoritmos, que tienen la capacidad de aprender de la
experiencia. Están formados por nodos de ingreso, nodos
ocultos y nodos a capacidad de resolver relaciones no
lineales complejas entre las variables, sin necesidad de
hacer ninguna suposición previa respecto a dichas
relaciones.
Este siguiente proyecto fue más llamativo ya que se basa
en una temática un poco más conocida que es la del
dengue tenemos una investigación realizada por la MSc
Beatriz Vega Riverón [15] cuya investigación es sobre
“Clasificación de dengue hemorrágico utilizando árboles
de decisión en la fase temprana de la enfermedad”. Este
trabajo se enfoca en la aplicación de la técnica
clasificatoria de árboles de regresión y clasificación
(ARC), para hallar reglas de decisión que permitan
clasificar un paciente con dengue en las diversas formas
de la enfermedad a partir de características clínicas y de
laboratorio. El desempeño se evaluó sobre la base de la
capacidad del método de reducir la tasa de error global y
su habilidad de clasificar correctamente a los pacientes.
En la siguiente investigación realizada por Sonia Lilia
Mestizo Gutiérrez [16] a través de su artículo “Árboles
de decisión y redes bayesianas para el análisis de genes
involucrados en la enfermedad de Alzheimer”,
mencionando que los árboles de decisiones representan
decisiones anidadas que sirven para clasificar los datos.
Cuando se utiliza un árbol de decisión sobre los datos, se
obtienen reglas que permiten clasificarlos. Un árbol se
representa por un conjunto de nodos, hojas y ramas. El
nodo principal o raíz es el atributo a partir del cual se
inicia el proceso de clasificación; los nodos internos
corresponden a cada una de las preguntas acerca del
atributo en particular del problema. Cada posible
respuesta a los cuestionamientos se representa mediante
un nodo hijo. Las ramas que salen de cada uno de estos
nodos se encuentran etiquetadas con los posibles valores
del atributo. Los nodos finales o nodos hoja corresponden
a una decisión, la cual coincide con una de las variables
clase del problema a resolver.
Materiales y métodos
Los datos y la información que se usaron para realizar
nuestra investigación consistían en una base de datos
creada a partir de unas pruebas de audiología, a esta base
de datos se le aplico los diferentes métodos que poseen
los árboles de clasificación para comprobar la eficacia de
cada uno de ellos. En estos datos se indica un diagnóstico
para cada paciente y las características de la persona como
su edad, tipo de tímpano, si ha presentado mareos y otros.
Aquí el objetivo es determinar cuáles de esos atributos
sirven más para predecir el diagnóstico obtenido [17].
https://archive.ics.uci.edu/ml/datasets/Audiology+%28St
andardized%29
Otros datos que también se usaron fueron acerca de una
base de datos la cual contenía estudios sobre cáncer de
próstata, pero a esa base de datos se le aplicaron
algoritmos que podemos encontrar en los árboles de
regresión, los cuales presentan alguna diferencia
comparados con los arboles de clasificación. En este
estudio el objetivo es predecir el valor del PSA (Antígeno
Prostático Específico) en base a los valores de las demás
características del paciente[18].
https://web.stanford.edu/~hastie/ElemStatLearn/
Una de las principales diferencia que podemos encontrar
entre estos dos tipos de árboles es que cuando la “variable
respuesta” o para ser más claros cuando nuestra variable
de interés es numérica hablamos de árboles de regresión,
mientras que las variables categóricas se analizan usando
arboles de clasificación, pero en cualquier caso, el
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
funcionamiento de estos dos tipos de árboles es
relativamente similar.
Por tal motivo si queremos explicar y predecir
características u observaciones pertenecientes a los
objetos de una clase cuyas bases pueden ser variables
explicativas o cualitativas utilizaremos árboles de
clasificación y por otro lado para un modelo explicativo y
predictivo para una variable cuantitativa dependiente
cuyas bases sean variables cuantitativas de igual forma,
utilizaremos árboles de regresión.
Resultados
Arboles de clasificación (examen de audiología):
J-48.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de decisión J-48 logra ser un análisis
prácticamente óptimo de los datos que se le fueron
ingresados, cuyas características fueron modificadas para
que nos presentara un árbol menos extenso y
comprensible, alcanzando un 69.5% de clasificación de las
variables.
RandomTree.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de decisión RandomTree por mucho
que se le trabajo a sus propiedades buscando un óptimo
resultado y un árbol más simplificado, solo logro analizar
un 45% de los datos introducidos.
REPTree.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de decisión REPTree no es un buen
algoritmo para analizar los datos en los cuales estamos
trabajando ya que por más que se intentó aumentar el
porcentaje de variables evaluadas el algoritmo no
presentaba mejores resultados.
DecisionStump.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de decisión DecisionStump con los
datos introducidos y con la configuración de las
propiedades de análisis solo nos evaluó el 47% de las
variables y otra desventaja que encontramos fue que no
presentaba ni un esquema del árbol ni tampoco el árbol
mismo.
SimpleCART.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de decisión SimpleCart presento casi
las mismas desventajas que el algoritmo REPTree con un
bajo porcentaje a l momento de analizar las variables y con
un árbol de un solo nivel, todo esto con configuraciones
para un mejor muestreo de datos.
LMT.
Estadísticas del análisis para el mejor de los casos:
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
Observaciones:
El algoritmo de árbol de decisión LMT resulto ser el
algoritmo más eficiente al momento de interpretar el tipo
de datos que presentaban los datos de estudio presentando
un árbol bien resumido y con un 80% de las variables
analizadas.
Arboles de regresión (examen de próstata):
M5P.
Estadísticas del análisis para el mejor de los casos:
Observación:
El algoritmo de árbol de regresión M5P resulto ser muy
eficiente al momento de interpretar los atributos y
variables que presentaba la base de datos de estudio
presentando un árbol bien muy bien detallado y con un
aproximado del 0.61 de frecuencia de las variables
analizadas.
REPTree.
Estadísticas del análisis para el mejor de los casos:
Observaciones:
El algoritmo de árbol de regresión REPTree es un buen
algoritmo para analizar los datos de esta clase de bases de
datos en los cuales estamos trabajando ya que presento un
óptimo desempeño al momento de analizar las variables
evaluadas en cual presento un aproximado de 0.62 de
frecuencia de eficacia.
Conclusiones
El impacto que se desea obtener con el proyecto en
aplicación de árboles de decisiones y de regresión como
herramienta para el pronóstico de condiciones médicas es
tomar un óptimo manejo del software Weka, tomando
este como referencia en nuestra investigación y nos
permita usarlo como apoyo para poder realizar un análisis
exhaustivo y altamente comparativo de los datos
analizados y de cómo los algoritmos internamente llevan
a cabo sus funciones y distintos métodos de análisis[19].
Después de someter las dos distintas bases de datos que
teníamos como material de investigación, a cada uno de
los dos tipos de árboles de estudio, llegamos a la
conclusión que al momento de analizar datos más que
todo de variables cualitativas que fue el caso de los datos
del estudio de audiología, los arboles de clasificación son
los más competentes para estos datos, más precisamente
el árbol de clasificación Logistic Model tree o LMT[20 -
23] que estadísticamente resulto ser el tipo de árbol que
presento los resultados más eficientes en sus estadísticas
con un promedio del 80% de clasificaciones correctas al
momento de ejecutarse sobre los datos, cuyas variables
respuesta o de interés fueron la variable Tymp() y la
variable speech(), que correponden al tipo de tímpano y si
la persona presenta problemas del habla [24-25].
Después al trabajar sobre otro estudio el cual era sobre el
antígeno Prostático Específico el cual manejaba variables
cuantitativas, nos damos cuenta que los arboles de
regresión son los indicados para analizar este tipo de
datos, cuyo árbol más eficaz fue el árbol de modelo M5 o
el M5P[21 - 27], el cual en sus estadísticas alcanzo un
aproximado del 0.62 de frecuencia al analizar los datos,
cuya variable de interés fueron las variables de volume y
el peso de la próstata (lcavol() y lweight()).
Referencias
[1] “Inteligencia Artificial Proyecto final,” p. 65.
[2] D. Saur, “on Arboles de Decisi ´ on,” pp. 121–133,
2003.
[3] J. Trujillano, A. Sarria-santamera, A. Esquerda,
M. Badia, M. Palma, and J. March,
“Aproximación a la metodología basada en
árboles de decisión ( CART ). Mortalidad
hospitalaria del infarto agudo de miocardio,” Gac.
Sanit., vol. 22, no. 1, pp. 65–72, 2008.
[4] L. Rokach and O. Maimon, “Decision Trees,”
Data Min. Knowl. Discov. Handb., pp. 165–192,
2010.
[5] J. Villena, “Minería de datos,” pp. 1–34, 2004.
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
[6] J. A. Alvarado Valencia, A. Carrillo, J. Forero, L.
Caicedo, and J. C. Ureña, “XXVI Simposio
Internacional de Estadística 2016 Sincelejo, Sucre,
Colombia, 8 al 12 de Agosto de 2016,” XXVI Simp.
Int. Estadística 2016, pp. 1–4, 2016.
[7] “PARA LAS UPZ 79 CALANDAIMA , 65 PARA
LAS UPZ 79 CALANDAIMA , 65,” 2017.
[8] R. Barrientos, N. Cruz, H. Acosta, I. Rabatte, M.
del C. Gogeascoechea, P. Pavón, and S. Blázquez,
“Árboles De Decisión Como Herramienta En El
Diagnóstico Médico,” 2009.
[9] G. R. S. Martínez and J. A. S. Mejía, “Árboles De
Decisiones En El Diagnóstico De Enfermedades
Cardiovasculares,” Sci. Tech., vol. XVI, no. 49,
pp. 104–109, 2011.
[10] A. Kevin, D. Hoz, U. J. Martínez-palacio, and F.
E. Mendoza-palechor, “Técnicas de ml en
medicina cardiovascular.”
[11] F. Centro de Ciberne
́
tica Aplicada a la Medicina.
and Y. Sánchez Corales, “Revista cubana de
informa
́
tica me
́
dica,” Rev. Cuba. Informática
Médica, vol. 4, no. 2, pp. 174–183, 2001.
[12] M. Garc, L. Consultante, S. Ignacio, and C.
Romero, “Trabajo de diploma Sistema inteligente
para pronóstico de supervivencia,” 2013.
[13] A. Aguilera and A. Subero, “Modelos de
clasificación en marcha patológica usando árboles
de regresión logística,” Multiciencias, 2012.
[14] “Determinacion De La Eficacia De La
Braquiterapia En Tratamiento De Cáncer Basada
En Mineria De Datos,” pp. 456–460, 2008.
[15] B. V Riverón, C. Lizet Sánchez Valdés, C. José
Cortiñas Abrahantes, O. C. Peraza, C. Daniel
González Rubio, and M. C. Peraza, “Classification
of dengue hemorrhagic fever using decision trees
in the early phase of the disease [Clasificación de
dengue hemorrágico utilizando árboles de
decisión en la fase temprana de la enfermedad],”
Rev. Cubana Med. Trop., vol. 64, no. 1, pp. 35–42,
2012.
[16] M. I. A. S. Lilia and M. Gutiérrez, “TESIS Árboles
de decisión y redes bayesianas para el análisis de
genes involucrados en la enfermedad de
Alzheimer Doctor en Investigaciones Cerebrales
Dr . Nicandro Cruz Ramírez,” 2015.
[17] J. C. Goddard, J. M. Cornejo, F. M. Martínez, A.
E. Martínez, H. L. Rufiner, and R. C. Acevedo,
“Redes Neuronales y Árboles de Decisión: Un
enfoque híbrido,” pp. 1–7.
[18] O. Juarez and E. Castells, “Modelos de árbol de
regresión bayesiano: un estudio de caso.,” Rev.
Investig. Operacional, vol. 31, no. 2, pp. 109–125,
2010.
[19] H. J. García and J. M. M. López, “Técnicas De
Análisis De Datos Aplicaciones Prácticas
Utilizando Microsoft Excel Y Weka,” pp. 5–43,
2012.
[20] A. I. Aguilera, L. D. Cala, and A. R. Subero,
“Modelo basado en metaclasificadores para diagn
´ ostico en marcha patol ´ ogica mediante an ´ alisis
cin ´ etico Metaclassifiers – based model for
pathological gait diagnosis using kinetic analysis,”
pp. 7–16, 2010.
[21] J. Molina and J. García, “Técnicas de Minería de
Datos basadas en Aprendizaje Automático,”
Técnicas de Análisis de Datos, pp. 96–266, 2008.
[22] García Barrera, M., Córdova Rivera, L., &
Rodríguez, A. (2018). La confidencialidad, el
prestigio y la reputación como valores intangibles
de la conciliación médica para el profesionista de
la salud. Justicia, 23(34), 358-371.
https://doi.org/10.17081/just.23.34.2896
[23] Pinillos PY, Herazo BY, Vidarte CJ, Crissien QE,
Suarez PD.Niveles de actividad física y sus
determinantes en mujeres adultas de Barranquilla,
Revista Ciencia e Innovación en Salud, vol. 2, n°.
1, 2014.
DOI:10.17081/innosa.2.1.7210.17081/innosa.2.1.
68
[24] Valdés DO, Chávez PE, Torres BF.
"Comportamiento de las crisis hipertensivas en un
grupo de pacientes hipertensos", Revista
Ciencia e Innovación en Salud, vol. 2, n°. 1, 2014.
DOI:10.17081/innosa.2.1.72
[25] B. Londoño González and P. Sánchez, "Algoritmo
Novedoso Para la Detección de Tareas Repetitivas
en el Teclado", Investigacion e Innovación en
Ingenierias, vol. 3, no. 2, 2015. DOI:
10.17081/invinno.3.2.2031
[26] Velez C, Vidarte JA. "Discapacidad y Determinantes
Sociales de la Salud Estructurales e Intermedios:
Diferencias por Género", Revista Ciencia e
Innovación en Salud, vol. 2, n°. 2, 2014.
DOI:10.17081/innosa.2.2.42
[27] E. Martelo, M. Manotas and B. Vallejo, "Prototipo
De Una Aplicación Móvil Con Realidad
Aumentada Para Mostrar Puntos De Información
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
De Ubicación De La Universidad Simón Bolívar
En Barranquilla Colombia Mediante El Uso Del
Navegador Móvil Junaio", Investigación e
Innovación en Ingenierías, vol. 2, no. 2, 2014.
DOI: https://doi.org/10.17081/invinno.2.2.2048
Revista I+D en TIC Volumen 9 Número (1) pp. 26-34 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic
ANEXO 1
ARBOL DE CLASIFICACION:
LMT:
ARBOL DE REGRESION:
M5P:
