Show simple item record

dc.contributor.advisorCatacora Flores, Norma Lorenaes_PE
dc.contributor.authorFlores Huamaní, Elizabethes_PE
dc.date.accessioned2023-11-07T17:41:46Z
dc.date.available2023-11-07T17:41:46Z
dc.date.issued2022
dc.identifier.urihttps://hdl.handle.net/20.500.14168/790
dc.description.abstractEn el presente trabajo de investigación se inició a partir de una realidad problemática, estilos de vida no saludable que adoptan miles de estudiantes universitarios en el Perú y en el mundo durante la etapa universitaria, estos comportamientos inadecuados a largo plazo, llegan a causar enfermedades no transmisibles y degenerativas. Por tal razón, se planteó como objetivo general: Predecir los estilos de vida que adoptan los estudiantes universitarios con el modelo predictivo basado en Técnicas de Machine Learning. La investigación tuvo como hipótesis: El modelo predictivo basado en Técnicas de Machine Learning permite predecir los estilos de vida que adoptan los estudiantes universitarios. El tipo de investigación que se ha considerado fue predictivo y el nivel de investigación fue descriptivo, considerando una población de 2031 estudiantes, por lo que se tomó una muestra de 323 estudiantes, el instrumento de recolección de datos utilizado fue la encuesta. La metodología que se utilizó para esta investigación fue la metodología de KDD (Knowledge Discovery in Databases), que sirvió como base para la secuencia de etapas para esta investigación. Las etapas que incluyen son: 1. Recopilación de Datos, 2. Selección, Limpieza y Transformación, 3. Generación del modelo predictivo, 4. Interpretación y evaluación. En la primera etapa, se recolectó registros recolectados mediante una encuesta a los estudiantes universitarios. En la segunda etapa, se realizó el preprocesamiento de datos, el balanceo de datos y la selección de características. En la tercera etapa, se utilizó los algoritmos supervisados de Machine Learning para crear el modelo predictivo. En la cuarta etapa, se interpretaron y se evaluaron los resultados de las métricas de evaluación generadas por los algoritmos de SVM, KNN y Árboles de decisiones. Para los resultados se logró predecir los estilos de vida que adoptan los estudiantes universitarios con el modelo predictivo basado en Técnicas de Machine Learning. Por lo tanto, se concluye que el modelo predictivo basado en Técnicas de Machine Learning sí permite predecir los estilos de vida que adoptan los estudiantes universitarios.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional José María Arguedases_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.uriInfo:eu-repo/semantics/openaccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectEstilos de vida,es_PE
dc.subjectMachine Learning,es_PE
dc.subjectdiagnóstico,es_PE
dc.subjectestudiantes universitarios.es_PE
dc.titleModelo predictivo de los estilos de vida para estudiantes universitarios basado en técnicas de machine learninges_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.nameIngeniero Sistemases_PE
thesis.degree.grantorUniversidad Nacional José María Arguedas, Facultad de Ingenieríaes_PE
thesis.degree.disciplineIngeniería Sistemases_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_PE
dc.publisher.countryPEes_PE
renati.author.dni76650545
renati.advisor.dni04426246
renati.advisor.orcidhttps://orcid.org/0000-0001-6211-129Xes_PE
renati.typehttp://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttp://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline612076es_PE
renati.jurorOré Cerrón, Juan Josées_PE
renati.jurorCondor Tinoco, Enrique Edgardoes_PE
renati.jurorManejes Palomino, Neptalíes_PE
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04es_PE


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Universidad Nacional José María Arguedas

Jr. Juan Francisco Ramos N° 380. Andahuaylas - Apurimac - Perú | Telf. 083-422176 anexo 1000

Todos los contenidos de repositorio.unajma.edu.pe están bajo la Licencia Creative Commons

Contacto: repositorio@unajma.edu.pe