APLICACIÓN DE UN MODELO DE APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE FRACASOS EN IMPLANTES DENTALES

NANCY B. GANZ; ALICIA E. ARES; HORACIO D. KUNA

Foz do Iguaçu, Paraná, Brasil

Congreso; 4° CONGRESSO DE ENGENHARIA E CIÊNCIAS APLICADAS NAS TRÊS FRONTEIRAS - MEC3F 2019; 2019

Universidad Federal de Integración Latinoamericana

Este trabajo estudia la aplicación de varios clasificadores para la predicción de casosde fracaso de un conjunto de datos de implantes dentales. El modelo abarcó losclasificadores: bosque aleatorio (RandomForestClassifier - RF), máquina de vectorsoporte (SVC), K vecino más próximo (KNeighborsClassifier - KNN), red bayesianamultinomial (MultinomialNB - MNB) y una red neuronal perceptrón multicapa(MLPClassifier - MLP). La implementación se realizó sobre Python con la librería Scikit-learn. El conjunto de datos contaba con un total de 1165 tupas, 34características y un atributo clase binario con dos valores posibles (éxito o fracaso).Los datos fueron recolectados en puntos característicos de la Provincia de Misiones,Argentina. Otra particularidad del conjunto fue su desbalance, 1009 casos etiquetadoscomo éxito y 156 como fracaso. A partir del conjunto se seleccionó las característicasde mayor ganancia de información a través del método Chi Squared y se dividió deforma aleatoria para preservar la distribución de ambas clases en entrenamiento (70%)y evaluación (30%). Para lograr el mejor desempeño de cada clasificador, se calibrólos híper parámetros configurando un espacio de búsqueda, um algoritmo deoptimización (GridSearchCV), un método de evaluación (K fold de 10) y una medida derendimiento (precisión de equilibrio). En la fase de entrenamiento y evaluación, se fijólos valores descubiertos y se realizó la integración de las predicciones logradas através del promedio de las mismas, empleando un umbral para cada clase. Comoresultado, los clasificadores Random Forest y perceptrón multicapa lograron de formaindividual un 68% de verdaderos negativos detectados, mientras que la integración detodas las predicciones permitió alcanzar más del 72% de casos correctamenteidentificados como fracasos.