[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126353-es":3,"doc-seo-126353-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126353,962085564381,"Clementine","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",41,"Investigación e Informes","Estimación de Pseudo Odds Ratios Ajustados Mediante Bootstrap e Índices Lifts en un Modelo no Paramétrico de Machine Learning - para Clasificación","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.","Estimaci´on de Pseudo Odds Ratios Ajustados Mediante Bootstrap e ´Indices Lifts en un Modelo no Param´etrico de Machine Learning para Clasificaci´on  \nMarilyn G´omez Vasquez  \nUniversidad El Bosque Facultad de Ciencias-Matem´aticas Bogot´a-Colombia  \nEstimaci´on de Pseudo Odds Ratios Ajustados Mediante Bootstrap e ´Indices Lifts en un Modelo no Param´etrico de Machine Learning para Clasificaci´on  \nMarilyn G´omez Vasquez  \nTesis o trabajo de grado presentado como requisito parcial para optar al t´ıtulo de:  \nMatem´atico  \nDirector:  \nMSc. Jes´us David Ramos Monta˜na  \nL´ınea de Investigaci´on:  \nMatem´atica Computacional  \nUniversidad El Bosque  \nFacultad de Ciencias-Departamento de Matem´aticas Bogot´a-Colombia  \nAgradecimientos  \nQuisiera expresar mis agradecimientos a todas las personas que, de diversas maneras, hicieron posible la realizaci´on de este trabajo de grado.  \nEn 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.  \nAgradezco 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.  \nFinalmente, 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.  \nA todos, muchas gracias.  \nDeclaraci´on  \nMe 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.  \nBogot´a, D.C., 18 de octubre de 2024  \nMarilyn G´omez V´asquez  \nResumen  \nEsta 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.  \nPalabras clave: Odds ratios, bootstrap, lift, modelos no param","cbCaitIFvRLPSoIx","https://ap.wps.com/l/cbCaitIFvRLPSoIx","pdf",1997967,3,1,69,"Spanish","es",110,"# Índice general\n## Agradecimientos\n## Resumen\n## Abstract\n## Introducción\n### Contexto y Planteamiento del problema\n### Justificación\n### Objetivos\n#### Objetivo general\n#### Objetivos específicos","[{\"question\":\"En qué consiste el algoritmo propuesto en el trabajo?\",\"answer\":\"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.\"},{\"question\":\"Qué modelos no paramétricos se evaluaron y cómo se midió su rendimiento?\",\"answer\":\"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.\"},{\"question\":\"Cómo se validaron las interpretaciones y qué rol tuvo bootstrap?\",\"answer\":\"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.\"}]","Estimación de Pseudo Odds Ratios Ajustados Mediante Bootstrap e Índices Lifts en un Modelo no Paramétrico de Machine Learning - para Clasificación | PDF",1785904629,106,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"estimation-of-adjusted-pseudo-odds-ratios-via-bootstrap-and-lift-indices-in-a-nonparametric-machine-learning-model-for-classification","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/estimation-of-adjusted-pseudo-odds-ratios-via-bootstrap-and-lift-indices-in-a-nonparametric-machine-learning-model-for-classification/126353/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-15","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"En qué consiste el algoritmo propuesto en el trabajo?","Question",{"text":76,"@type":77},"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.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué modelos no paramétricos se evaluaron y cómo se midió su rendimiento?",{"text":81,"@type":77},"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.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se validaron las interpretaciones y qué rol tuvo bootstrap?",{"text":85,"@type":77},"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.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]