Implementación de Support Vector Machine para el análisis de la incidencia del dengue

Díaz Pozo, José Daniel; Lapierre Veintimilla, Marcel Sebastián

DSpace Principal
→
Unidades Académicas
→
Facultad de Ciencias Naturales y Matemáticas
→
Tesis de Matemática
→
Ver ítem

dc.contributor.advisor	Suarez Hernandez, Carlos Anibal , Director
dc.contributor.author	Díaz Pozo, José Daniel
dc.contributor.author	Lapierre Veintimilla, Marcel Sebastián
dc.creator	ESPOL
dc.date.accessioned	2023-10-26T15:46:32Z
dc.date.available	2023-10-26T15:46:32Z
dc.date.issued	2023
dc.identifier.citation	Díaz Pozo, J. D. y Lapierre Veintimilla, M. S. (2023). Implementación de Support Vector Machine para el análisis de la incidencia del dengue. [Proyecto Integrador]. ESPOL.FCNM .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58496
dc.description	Este proyecto integrador se centra en la implementación del algoritmo de Support Vector Machine (SVM) optimizado con el gradiente proyectado para clasificar la incidencia del dengue en la ciudad de Guayaquil según su humedad y precipitación. Debido a los cambios climáticos ocasionados por el calentamiento global, en conjunto con el fenómeno del Niño, esta enfermedad resulta una problemática importante para la salud pública, por lo que es necesario poder clasificar de manera precisa la incidencia del dengue en la ciudad, y así, responder eficientemente a las consecuencias del virus. El estudio se basa en la recopilación de datos, realizada en colaboración con el CIP-RRD, y análisis de estos sobre la incidencia del dengue y su relación con los factores ambientales antes mencionados. Se implementaron técnicas, como el truco del kernel, para mejorar la capacidad de clasificación del algoritmo y se realizaron pruebas con el dataset de Iris y PRNN, utilizando diferentes kernels con este último. Los resultados obtenidos verificaron la robustez del algoritmo, demostrando un gran desempeño en conjuntos linealmente separables o no. Luego, se definieron los hiperparámetros adecuados para brindar una solución equilibrada, entre una clasificación precisa y un margen adecuado para el estudio de nuevos datos. Así, se constató que el algoritmo de SVM procesa de forma óptima los datos no separables linealmente a través de la utilización del kernel RBF, concluyendo que con una humedad relativa promedio mayor a 80% y una precipitación promedio mayor a 10 mm, se prevé una alta incidencia de dengue.
dc.format	application/pdf
dc.format.extent	26 paginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Support Vector Machine
dc.subject	gradiente proyectado
dc.subject	dengue
dc.subject	condiciones ambientales
dc.title	Implementación de Support Vector Machine para el análisis de la incidencia del dengue
dc.type	Matemático
dc.identifier.codigoespol	T-110536
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	MATE-180
dc.description.abstractenglish	This project focuses on the implementation of the Support Vector Machine (SVM) algorithm optimized with the projected gradient to classify the incidence of dengue in the city of Guayaquil according to its humidity and precipitation. Due to the climate changes caused by global warming, together with the El Niño phenomenon, this disease is an important problem for public health, so it is necessary to be able to accurately classify the incidence of dengue in the city, and thus , respond efficiently to the consequences of the virus. The study is based on the collection of data, carried out in collaboration with the CIP-RRD, and analysis of these on the incidence of dengue and its relationship with the aforementioned environmental factors. Techniques, such as the kernel trick, were implemented to improve the classification capacity of the algorithm and tests were carried out with the Iris and PRNN dataset, using different kernels with the latter. The results obtained verified the robustness of the algorithm, demonstrating great performance in sets that are linearly separable or not. Appropriate hyperparameters were then defined to provide a balanced solution, between an accurate classification and an adequate margin for the study of new data. Thus, it was found that the SVM algorithm optimally processes non-linearly separable data through the use of the RBF kernel, concluding that with an average relative humidity greater than 80% and an average precipitation greater than 10 mm, it is expected a high incidence of dengue.