Browsing by Autor "Oscar Contreras Carrasco"

Now showing 1 - 2 of 2

Evaluation of A Hybrid Approach Combining Random Forest and XGBoost for Type 2 Diabetes Prediction Using the PIMA Dataset
(2025) Mishel Bravo Almendras; Maria Laura Nuñez Jaillita; Juan Abiel Iriarte Colque; Eynar Calle Viles; Oscar Contreras Carrasco; Germán Rico Ramallo
This study evaluates the performance of three machine learning models in predicting type 2 diabetes, focusing on their accuracy, sensitivity, and generalization capacity. The methodological process was structured into three phases: data preprocessing, model development, and performance evaluation. The widely validated PIMA dataset was used, which includes relevant clinical variables such as body mass index, blood glucose levels, and blood pressure. During preprocessing, the SMOTE algorithm was applied to address class imbalance, significantly improving the detection of positive cases. Three predictive approaches were compared: Random Forest, XGBoost, and a hybrid model based on soft voting between both. The results showed that Random Forest achieved the best performance with an accuracy of 97.0%, followed by XGBoost with 96.4% accuracy. The hybrid model, while matching XGBoost in nearly all metrics, demonstrated greater stability and robustness in its results. These metrics included an accuracy of 96.4%, a recall of 98.0%, F1-score of 96.4%, and AUC-ROC of 99.3% for XGBoost and 99.7% for the hybrid model, while Random Forest reached an F1-score of 97.1% and AUC-ROC of 99.86%. These results surpass those reported in previous research, reinforcing the clinical utility of these algorithms for early diagnostic tasks. As part of the project, an interactive interface was developed for healthcare professionals, allowing the input of medical data and immediate predictions on diabetes risk. This tool, delivered as functional software to the Tuscapujio Hospital Center in Sacaba, Cochabamba, Bolivia, represents a practical and accessible solution to support clinical decision-making in real-world contexts. The study highlights the importance of rigorous preprocessing and proper handling of class imbalance to improve the performance of predictive models in medical applications.
Modelos Generativos en el Aprendizaje Automático y su aplicación a la generación de Imágenes Digitales
(2021) Oscar Contreras Carrasco
En el ámbito del Aprendizaje Automático se identifican dos tipos de algoritmos desde el punto de vista de la naturaleza de las salidas que estos proporcionan. Los modelos discriminativos asocian un dato proporcionado a una respuesta, mientras que los modelos generativos generan nuevos datos en base a una distribución probabilística de respuestas o variables latentes. Por otra parte, en años recientes, se han dado importantes avances en el Deep Learning, que es el estudio de las redes neuronales profundas. En este contexto, las redes convolucionales han ganado considerable terreno en diversas tareas relacionadas al análisis de imágenes. Entre las varias aplicaciones de las redes convolucionales se mencionan: clasificación de imágenes, detección de objetos, segmentación de instancias, reconocimiento facial, entre otros varios. Sin embargo, en el ámbito del Deep Learning, no solamente se han tenido importantes avances con relación a los puntos aquí mencionados, sino también en cuanto a la habilidad de los modelos en generar nuevas imágenes. De ese modo, hoy en día se tiene a disposición una variedad de modelos generativos para diversos propósitos, con aplicaciones tales como la creación de imágenes faciales de personas que no existen en la realidad. Es así que el propósito del presente artículo es realizar un análisis de diversos modelos generativos para imágenes digitales, así como de las bases teóricas que sustentan a los modelos generativos en el Deep Learning. El enfoque de análisis se centra en dos modelos esenciales: Las redes adversarias generativas (GAN) y los autoencoders variacionales (VAE).