1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis Doctorado
7. Tesis de Doctorado en Computación

Título :	Metodología para el Desarrollo y Evaluación de Modelos Predictivos
Autor :	Sanchez Gomez, Wendy Aracely%413398
metadata.dc.subject.other:	modelo predictivo, salud mental, estrés, fisiología, CRISP-DM
Fecha de publicación :	2019-02-22
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Descripción :	El modelado predictivo es el proceso de desarrollar un modelo matemático que genera una predicción precisa. Hay muchos dominios en los que se podría implementar el modelado predictivo. Muchos investigadores se han centrado en los problemas de salud mental de los trabajadores, como el estrés. El estrés es una respuesta fisiológica a los desafíos mentales, emocionales u otros desafíos físicos que enfrentan los humanos en sus actividades de la vida real, incluso en su entorno laboral, que es una de las principales fuentes de estrés en la actualidad. Los desarrolladores de software representan uno de los grupos más expuestos al estrés. Para evitar que el estrés se vuelva crónico y cause un daño irreversible, es necesario detectar los diferentes niveles de estrés. El estrés ha sido estudiado hace muchos años por diferentes enfoques. Los expertos en psicología han utilizado cuestionarios y los expertos médicos han usado sensores fisiológicos estacionarios para reconocer el estrés. Han surgido nuevos métodos computacionales en los que se crean modelos predictivos basados en datos de diferentes fuentes tecnológicas. Existen algunas metodologías que permiten el desarrollo de aplicaciones de modelos predictivos como CRISP-DM, pero no proporciona información detallada para dominios específicos. Esta investigación se centra en la definición de una metodología para el desarrollo y evaluación de modelos predictivos. La metodología es una extensión de la metodología CRISP- DM para aplicaciones de minería de datos. La metodología fue validada a través de un estudio de caso sobre reconocimiento de estrés. Por lo tanto, se desarrolló una aplicación de minería de datos para encontrar patrones y determinar el nivel de estrés de un desarrollador de software en un período de tiempo determinado utilizando métodos computacionales. Se ha hecho una comparación de la metodología CRISP-DM y la metodología propuesta. Se han encontrado similitudes entre las fases de las metodologías. Se compararon los modelos predictivos construidos bajo diferentes esquemas. Como se esperaba, el modelo predictivo individual mostró el mejor resultado con una F-M de 0.88. El modelo general obtuvo una F-M de 0.58, mayor que el modelo de usuarios similares el cual obtuvo una F-M de 0.51. Se utilizaron cinco clasificadores: k-NN, Naïve Bayes, Random Forest, C4.5 y AdaBoost. Todos los clasificadores obtuvieron una F-M alrededor de 0.50, excepto Naïve Bayes que obtuvo una F-M ligeramente más baja de 0.42. Se hizo la comparación de los modelos predictivos construidos por métodos computacionales. El método de computadora mostró mejores resultados que los métodos vestibles con una F-M de 0.82, 6% más alta que el método vestible en modelos predictivos individuales, y con una F-M de 0.58, 4% más alta que el método vestible en modelos predictivos generales. El modelo predictivo general que utiliza todos los atributos también obtuvo una F-M de 0.58. Por lo tanto, el método de computadora se puede utilizar para el reconocimiento del estrés sin perder precisión y recall. Se hizo la comparación de los modelos predictivos construidos por país. Los resultados fueron similares con un promedio de F-M de 0.555. Finalmente, se hizo la comparación de los modelos predictivos construidos por método de computadora y por país. El método de computadora mostró mejores resultados que el método vestible, excepto en un experimento. El promedio de F-M del método de computadora fue de 0.67.
metadata.dc.type:	info:eu-repo/semantics/doctoralThesis
Aparece en las colecciones:	Tesis de Doctorado en Computación

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons