Análisis de vivienda saludable con Inteligencia Artificial en zona periurbana Jayllihuaya Puno – 2023

• Autores: Gonzales-Paco, Magali G., Flores-Asencio, Sandra, Tapia-Catacora, Pablo C., Pino-Cordero, Darwin, Flores-Asencio, Flores-Asencio, Tapia-Catacora, Pablo C. Tapia-CatacoraC, Pino-Cordero, Darwin Pino- Cordero
• Formato: artículo
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/115
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/115
• Nivel de acceso: acceso abierto
• Materia: Healthy housing; k-nearest neighbors; , random forests; support vector machines; Bosques aleatorios; k-vecinos más cercanos; máquinas de vectores de soporte; vivienda saludable

La tendencia actual en la construcción de viviendas en la zona periurbana de Jayllihuaya es creciente, se observó que el terreno de la zona es estable, carente de humedad y con escasa presencia de antenas de emisión electromagnética. El estudio buscó establecer vínculo entre la inteligencia artificial y las viviendas saludables utilizando modelos de clasificación supervisada. Las características analizadas de las viviendas estuvieron relacionadas con el acceso a los servicios básicos, iluminación, contaminación acústica, material predominante de la vivienda, combustible utilizado en la cocina y acceso a la tecnología. La información sobre las viviendas se recolectó mediante encuestas de preguntas cerradas, procesadas posteriormente con la finalidad de predecir mediante modelos de algoritmos de clasificación. Los resultados mostraron que el modelo de algoritmo máquinas de vectores de soporte (SVM) logró clasificar correctamente las viviendas con una precisión de 82%, los modelos de algoritmos de k-vecinos más cercanos (KNN) y los bosques aleatorios (RF) alcanzaron una precisión de 82% y 86.3% respectivamente, con la particularidad que los dos últimos, no lograron clasificar las viviendas consideradas saludables. Estas precisiones alcanzadas evidencian que para clasificar viviendas en saludables y no saludables es mejor utilizar modelos basados en SVM.