Estimación de Pseudo Odds Ratios Ajustados Mediante Bootstrap e Índices Lifts en un Modelo no Paramétrico de Machine Learning - para Clasificación

Aug 5, 2026

Esta investigación desarrolla un algoritmo para estimar los Pseudo Odds Ratios (ORs) ajustados en modelos no paramétricos de clasificación supervisada mediante Machine Learning. Se aplican el método bootstrap y los índices lift, organizando el proceso en 12 etapas que incluyen la optimización de parámetros y la evaluación con accuracy, specificity y recall para modelos como CART, SVC y Naive Bayes. Los resultados indican que NB logra el mejor desempeño, con tendencias lineales que facilitan la transformación de ORs. Las interpretaciones se validan con intervalos de confianza al 95% construidos a partir de muestras bootstrap, permitiendo resúmenes estadísticos.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas69

Tiempo de lectura1 h 46 min

AccesoGratis para descargar

Tabla de contenidos

Índice general

Agradecimientos

Resumen

Abstract

Introducción

Contexto y Planteamiento del problema

Justificación

Objetivos

Objetivo general

Objetivos específicos

Estimaci´on de Pseudo Odds Ratios Ajustados Mediante Bootstrap e ´Indices Lifts en un Modelo no Param´etrico de Machine Learning para Clasificaci´on Marilyn G´omez Vasquez Universidad El Bosque Facultad de Ciencias-Matem´aticas Bogot´a-Colombia Estimaci´on de Pseudo Odds Ratios Ajustados Mediante Bootstrap e ´Indices Lifts en un Modelo no Param´etrico de Machine Learning para Clasificaci´on Marilyn G´omez Vasquez Tesis o trabajo de grado presentado como requisito parcial para optar al t´ıtulo de: Matem´atico Director: MSc. Jes´us David Ramos Monta˜na L´ınea de Investigaci´on: Matem´atica Computacional Universidad El Bosque Facultad de Ciencias-Departamento de Matem´aticas Bogot´a-Colombia Agradecimientos Quisiera expresar mis agradecimientos a todas las personas que, de diversas maneras, hicieron posible la realizaci´on de este trabajo de grado. En primer lugar, quiero agradecer a mi director de tesis, Jes´us David Ramos Monta˜na, por su gu´ıa, apoyo y asesoramiento a lo largo de todo el proceso. Su conocimiento y constante dedicaci´on me proporcionaron herramientas fundamentales para la elaboraci´on y culminaci´on de este trabajo. Agradezco su siempre disposici´on y por motivarme a superar los desaf´ıos, impuls´andomea alcanzar mis objetivos acad´emicos. Agradezco tambi´en a mi familia, especialmente a mis padres, Marily V´asquez Villa y Yony Ra´ul G´omez Atencia, as´ı como a mis hermanos, Sandrith Dayana G´omez V´asquez y Carlos Javier Palacios V´asquez. Su amor y apoyo incondicional han sido pilares fundamentales en mi vida. Gracias por estar siempre a mi lado en cada paso de este proceso. Finalmente, quiero agradecer a mis amigos y compa˜neros, quienes me brindaron su apoyo, ´animo y compa˜n´ıa a lo largo de la carrera. Su amistad me ayud´o a superar retos y a celebrar logros durante todos estos a˜nos acad´emicos. A todos, muchas gracias. Declaraci´on Me permito afirmar que he realizado la presente tesis de manera aut´onomay con la ´unica ayuda de los medios permitidos y no diferentes a los mencionados en la propia tesis. Todos los pasajes que se han tomado de manera textual o figurativa de textos publicados y no publicados, los he reconocido en el presente trabajo. Ninguna parte del presente trabajo se ha empleadoen ning´un otro tipo de tesis. Bogot´a, D.C., 18 de octubre de 2024 Marilyn G´omez V´asquez Resumen Esta investigaci´on se centra en el desarrollo de un algoritmo para estimar los Pseudo Odds Ratios (ORs ) ajustados en modelos no param´etricos declasificaci´on supervisada de Machine Learning. Se emple´o el m´etodo bootstrap y los ´ındices lift. En el proceso se dise˜naron 12 etapas, comenzando con la optimizaci´on de par´ametros para cada modelo no param´etrico (Decision Tree Classifier (CART), Support Vector Classifier (SVC), Naive Bayes (NB)), evaluados con m´etricas como accuracy, specificity y recall. Por ejemplo, los valores de accuracy oscilaron entre 0.75 y 0.79 . Las estimaciones se basaron en las probabilidades de las variables X y Y junto con los ´ındices lift. Los resultados mostraron que el modelo NB ofreci´o el mejor rendimientoen cuanto a distribuciones y correlaciones, evidenciando una tendencia linealen los gr´aficos de dispersi´on. Esta linealidad facilit´o la transformaci´on delos ORs para cada modelo, utilizando los Odds Ratios del modelo regresi´on log´ıstico como variable dependiente y los ORs como variable independiente, lo que permiti´o obtener estimaciones consistentes, como X1 =0 .38, tanto para el modelo param´etrico como para los no param´etricos. Las interpretaciones se validaron con intervalos de confianza al 95%, construidos a partirde muestras bootstrap, las cuales tambi´en permitieron el c´alculo de diversos res´umenes estad´ısticos. Por ejemplo, para la variable X1 , se obtuvieron intervalos de confianza de [0.266, 0.541] en regresi´on log´ıstica y [0.369, 0.411] en NB. Palabras clave: Odds ratios, bootstrap, lift, modelos no param

Preguntas frecuentes

En qué consiste el algoritmo propuesto en el trabajo?

El trabajo propone un algoritmo para estimar los Pseudo Odds Ratios (ORs) ajustados en modelos no paramétricos de clasificación supervisada. Emplea bootstrap e índices lift dentro de un proceso organizado en 12 etapas.

Qué modelos no paramétricos se evaluaron y cómo se midió su rendimiento?

Se evaluaron Decision Tree Classifier (CART), Support Vector Classifier (SVC) y Naive Bayes (NB). El rendimiento se midió con métricas como accuracy, specificity y recall.

Cómo se validaron las interpretaciones y qué rol tuvo bootstrap?

Las interpretaciones se validaron con intervalos de confianza al 95% construidos a partir de muestras bootstrap. Esto también permitió calcular diversos resúmenes estadísticos para variables como X1.

Aug 5, 2026

Subir por Clementine