| dc.description.abstract | El propósito de la investigación es desarrollar un modelo mediante técnicas de inteligencia artificial para medir la radiación UV-B en el Distrito de La Molina, cuyo tipo de investigación es aplicada y diseño experimental de tipo pre-experimental con enfoque cuantitativo. La metodología utilizada para el desarrollo fue la metodología KDD (Knowledge Discovery in Database) la cual consta de las siguientes etapas: Selección de datos, procesamiento de datos, transformación de datos, minería de datos e interpretación. Para el estudio se utilizaron 43425 mil datos meteorológicos del SENAMHI entre 2016 y 2021, de los cuales el 80% y 20% de los datos se utilizaron para entrenamiento y validación de los respectivos modelos. Los resultados obtenidos muestran que de los seis algoritmos utilizados, entre los que se encuentra el árbol de decisión, Vecinos Cercanos, Regresión logística, Redes Bayesianas, Redes Neuronales y SVM, se pudo determinar que con respecto al Árbol de Decisión: precisión = 100%, sensibilidad = 100 %, especificidad = 100 %, recuperación = 100 % y puntuación F1 = 1,98; KNN: precisión
= 99,24 %, sensibilidad = 98,12 %, especificidad = 99,52 %, Recall = 98 % y puntaje F1 = 1,94; Regresión logística: precisión = 99,77 %, sensibilidad = 99,44 %, especificidad = 99,86 %, recuperación = 99 % y puntaje F1 = 1,96; Redes bayesianas: precisión = 80,44 %, sensibilidad = 62,36 %, especificidad = 86,80 %, recuperación = 62 % y puntuación F1 = 0,6; Redes neuronales: precisión = 90,24 %, sensibilidad = 98,09 %, especificidad = 99,52 %, recuperación = 98 % y puntaje F1 = 1,94; SVM: precisión = 99,39 %, sensibilidad = 98,16 %, especificidad = 24,92 %, Recall = 98 % y puntuación F1 = 1,94. Concluyendo que el árbol de decisión permite predecir con alta precisión, sensibilidad, especificidad, Recall y puntuación F1 de la radiación UV-B. | |
