Análisis del diagnóstico de enfermedades mentales en la ciudad de Bogotá, mediante técnicas de minería de datos
How to Cite
Enfermedades mentales, minería de datos, población y trastornos mentales
El presente artículo propone un análisis de la aplicación de una técnica de minería de datos para clasificar las localidades de la ciudad de Bogotá, donde se presenta con mayor incidencia los trastornos mentales en sus habitantes. Se utilizó la información de la encuesta multipropósito del DANE, y se empleó métodos de clasificación. La información correspondiente de la base de datos extraída, permitió hacer un primer filtro a la clasificación, en esta se tomaron solamente las variables significativas para el objeto de estudio. El modelo presenta la localidad donde la incidencia en el diagnóstico de trastornos mentales es más significativa en sus habitantes. Consecuentemente se evidenciara el proceso analítico y se expondrán los niveles de incidencia de trastornos mentales de acuerdo al resultado obtenido en la simulación.
Caises, Y., & Navarro, R. (2010). Transformación de Características para la Minería de Datos. Trimestral, XVI(2), 1-13.
Departamento Administrativo Nacional de Estadística. (27 de Julio de 2015). Encuesta multiproposito. Recuperado de http://www.dane.gov.co/index.php/estadisticas-portema/salud/calidad-de-vida-ecv/encuesta-multiproposito
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. (2009). The weka data mining software: an update. Explorations newsletter, XI(1), 10-18.
Malaver, C. (20 de Octubre de 2014). Así es el drama de la enfermedad mental en Bogotá. El tiempo. Recuperado de http://www.eltiempo.com/archivo/documento/CMS-14715516
Marquez, C., Romero , C., & Ventura , S. (2012). Predicción del Fracaso Escolar mediante Técnicas de Minería de Datos. IEEE- RITA, VII(3), 109- 117.
Marulanda, C., Lopez , M., & Mejia , M. (2017). Minería de datos en gestión del conocimiento de pymes de Colombia. Virtual(50), 224-237.
Moreno, M., Miguel, L., Garcia , F., & Polo, J. (2001). Aplicación de técnicas de minería de datos en la construcción y validación de modelos predictivos y asociativos a partir de especificaciones de requisitos de software. Proceedings of the II ADIS 2001 Workshop on Decision Support in Software Engineering, (pp.1-14). Almagro. Universidad de Salamanca. Recuperado de http://www.sc.ehu.es/jiwdocoj/remis/docs/minerw.pdf
Mosquera, R., Parra, L., & Cartrillon, O. (2016). Metodología para la Predicción del Grado de Riesgo Psicosocial en Docentes de Colegios Colombianos utilizando Técnicas de Minería de Datos. Información tecnológica, XXVII(6), 259-272.
Nasa, C. (2012). Evaluation of different classification techniques for web. International Journal of Computer Applications, 52.
Rodriguez, J., Rojas, E., & Franco, R. (2012). Clasificación de datos usando el método k-nn. Vinculos, 4-18.
Vijayarani , S., & Muthulakshmi, M. (2013). Comparative analysis of bayes and lazy classification algorithms. International Journal of Advanced Research in Computer and Communication Engineering, 3118-3124.
Villena, J., Crespo, R., & Garcia, J. (2006). Inteligencia en redes de comunicaciones. Universidad Carlos III de Madrid. Recuperado de http://ocw.uc3m.es/ingenieria-telematica/inteligencia-en-redes-de-comunicaciones/material-de-clase-1/00-presentacion
Zhang, S. (2012). Nearest neighbor selection for iteratively knn imputation. Journal of Systems and Software, LXXXV(11), 2541-2552.
El presente artículo propone un análisis de la aplicación de una técnica de minería de datos para clasificar las localidades de la ciudad de Bogotá, donde se presenta con mayor incidencia los trastornos mentales en sus habitantes. Se utilizó la información de la encuesta multipropósito del DANE, y se empleó métodos de clasificación. La información correspondiente de la base de datos extraída, permitió hacer un primer filtro a la clasificación, en esta se tomaron solamente las variables significativas para el objeto de estudio. El modelo presenta la localidad donde la incidencia en el diagnóstico de trastornos mentales es más significativa en sus habitantes. Consecuentemente se evidenciara el proceso analítico y se expondrán los niveles de incidencia de trastornos mentales de acuerdo al resultado obtenido en la simulación.
Caises, Y., & Navarro, R. (2010). Transformación de Características para la Minería de Datos. Trimestral, XVI(2), 1-13.
Departamento Administrativo Nacional de Estadística. (27 de Julio de 2015). Encuesta multiproposito. Recuperado de http://www.dane.gov.co/index.php/estadisticas-portema/salud/calidad-de-vida-ecv/encuesta-multiproposito
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. (2009). The weka data mining software: an update. Explorations newsletter, XI(1), 10-18.
Malaver, C. (20 de Octubre de 2014). Así es el drama de la enfermedad mental en Bogotá. El tiempo. Recuperado de http://www.eltiempo.com/archivo/documento/CMS-14715516
Marquez, C., Romero , C., & Ventura , S. (2012). Predicción del Fracaso Escolar mediante Técnicas de Minería de Datos. IEEE- RITA, VII(3), 109- 117.
Marulanda, C., Lopez , M., & Mejia , M. (2017). Minería de datos en gestión del conocimiento de pymes de Colombia. Virtual(50), 224-237.
Moreno, M., Miguel, L., Garcia , F., & Polo, J. (2001). Aplicación de técnicas de minería de datos en la construcción y validación de modelos predictivos y asociativos a partir de especificaciones de requisitos de software. Proceedings of the II ADIS 2001 Workshop on Decision Support in Software Engineering, (pp.1-14). Almagro. Universidad de Salamanca. Recuperado de http://www.sc.ehu.es/jiwdocoj/remis/docs/minerw.pdf
Mosquera, R., Parra, L., & Cartrillon, O. (2016). Metodología para la Predicción del Grado de Riesgo Psicosocial en Docentes de Colegios Colombianos utilizando Técnicas de Minería de Datos. Información tecnológica, XXVII(6), 259-272.
Nasa, C. (2012). Evaluation of different classification techniques for web. International Journal of Computer Applications, 52.
Rodriguez, J., Rojas, E., & Franco, R. (2012). Clasificación de datos usando el método k-nn. Vinculos, 4-18.
Vijayarani , S., & Muthulakshmi, M. (2013). Comparative analysis of bayes and lazy classification algorithms. International Journal of Advanced Research in Computer and Communication Engineering, 3118-3124.
Villena, J., Crespo, R., & Garcia, J. (2006). Inteligencia en redes de comunicaciones. Universidad Carlos III de Madrid. Recuperado de http://ocw.uc3m.es/ingenieria-telematica/inteligencia-en-redes-de-comunicaciones/material-de-clase-1/00-presentacion
Zhang, S. (2012). Nearest neighbor selection for iteratively knn imputation. Journal of Systems and Software, LXXXV(11), 2541-2552.