Técnicas de minería de datos para predicción del diagnóstico de hipertensión arterial

• Autor: Díaz Avendaño, Ángel Arnulfo
• Formato: tesis de grado
• Fecha de Publicación: 2016
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/2698
• Enlace del recurso: https://hdl.handle.net/20.500.12802/2698
• Nivel de acceso: acceso abierto
• Materia: Técnicas de Minería de Datos; Árbol de Decisión; Reglas de Asociación; KDD; http://purl.org/pe-repo/ocde/ford#2.02.04

Este Proyecto se incluye dentro de la disciplina de la Extracción Automática de Conocimiento (KDD, Knowledge Discovery in Databases) y más concretamente se centra en la etapa de Minería de Datos (MD). La MD es una de las áreas que más éxito y aplicación ha tenido a la hora de analizar información con el objetivo de extraer nuevo conocimiento. El objetivo de este trabajo fue encontrar patrones y relaciones dentro de los datos permitiendo de la creación de modelos en los que la representación del conocimiento estuvo basada en reglas de asociación y árbol de decisión. Los resultados mostraron que la técnica de regla se asociación es la más acertada para un pre diagnóstico de enfermedad de hipertensión arterial con un nivel de confiabilidad de 98.6 % en sus resultados. Concretamente, la extracción de reglas de asociación consiste en descubrir relaciones interesantes, y previamente inesperadas, entre los diferentes atributos de un conjunto de datos. Las reglas obtenidas pueden servir de ayuda para poder tomar decisiones de un pre diagnóstico.