Análisis e implementación de clustering en casos de dengue mediante algoritmo de aprendizaje no supervisado

Miguel Alberto Rincón Pinzón; Carlos Alberto Mejia Rodriguez; Erney Alberto Ramírez Camargo; Lina Marcela Arevalo Vergel

Ayuda

Análisis e implementación de clustering en casos de dengue mediante algoritmo de aprendizaje no supervisado

Rincón Pinzón, Miguel Alberto ^[1] ; Mejía Rodríguez, Carlos Alberto ^[1] ; Ramírez Camargo, Erney Alberto ^[1] ; Arévalo Vergel, Lina Marcela ^[1]
1. [1] Universidad Popular del Cesar
  
  Universidad Popular del Cesar
  
  Colombia
Localización: Revista Colombiana de Tecnologías de Avanzada, ISSN-e 2500-8625, ISSN 1692-7257, Vol. 2, Nº. 44, 2024 (Ejemplar dedicado a: July - December), págs. 104-111
Idioma: español
Títulos paralelos:
- Analysis and implementation of clustering in dengue cases using unsupervised learning algorithm
Enlaces
- Texto completo (pdf)
Resumen
- español
  Este estudio se enfoca en la aplicación de algoritmos de aprendizaje no supervisado, específicamente técnicas de clustering para analizar la incidencia del dengue en San Juan, Puerto Rico, e Iquitos, Perú. El objetivo principal es probar la eficacia de estos algoritmos en la identificación de patrones ocultos en el conjunto de datos, compuesto por información ambiental, climática y casos de dengue. La investigación permitió comprobar la importancia de seleccionar la técnica de clusterización adecuada, evidenciada por el rendimiento variable de los métodos utilizados. Los resultados revelan la utilidad del aprendizaje no supervisado para comprender la propagación del dengue, resaltando la necesidad de considerar cuidadosamente la elección del algoritmo para análisis epidemiológicos y ambientales futuros.
- English
  This study focuses on the application of unsupervised learning algorithms, specifically clustering techniques, to analyze the incidence of dengue in San Juan, Puerto Rico, and Iquitos, Peru. The main objective is to evaluate the effectiveness of these algorithms in identifying hidden patterns in the data set, composed of environmental, climatic information and dengue cases. The research allowed us to verify the importance of selecting the appropriate clustering technique, evidenced by the variable performance of the methods used. The results reveal the usefulness of unsupervised learning for understanding the spread of dengue, highlighting the need to carefully consider the choice of algorithm for future epidemiological and environmental analyses.