Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/11247| Título: | Ensamble de Modelos de Aprendizaje Profundo Para Clasificacion de Riesgo de Coledocolitiasis |
| Autor(es): | Enrique Mena Camilo |
| Palabras clave: | Modelos de ensamble Coledocolitiasis Red neuronal convolucional 1D Clasificacion de riesgo ́ |
| Área: | INGENIERÍA Y TECNOLOGÍA |
| Fecha de publicación : | nov-2024 |
| Editorial : | Facultad de Ingenieria |
| Páginas: | 1 recurso en línea (78 páginas) |
| Folio RI: | IGMAC-309238 |
| Facultad: | Facultad de Ingeniería |
| Programa académico: | Maestría en Ciencias en Inteligencia Artificial |
| Resumen: | Este proyecto presenta el desarrollo y validación de un modelo de inteligencia artificial para la predicción de riesgo de coledocolitiasis, utilizando un enfoque de ensamble que combina técnicas de stacking y boosting. Con una sensibilidad de 96.81 %, especificidad de93.16 % y un puntaje F1 de 94.87 %, el modelo demuestra una alta precisión en la detección ́de casos positivos y una reducción significativa de falsos positivos . Este enfoque de ensamble integra modelos lineales (Regresión Logística y Análisis de Discriminante Lineal) y no lineales (CNN 1D), aprovechando las fortalezas de cada uno para maximizar el rendimiento. |
| URI: | https://ri-ng.uaq.mx/handle/123456789/11247 |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-309238.pdf | 5.34 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.