Modelo predictivo para la clasificación de donantes de sangre en el Banco de Sangre de la Escuela de Microbiología de la Universidad de Antioquia, Medellín. 2019

Abstract

RESUMEN: Machine Learning es una disciplina de la Inteligencia Artificial que crea sistemas que aprenden automáticamente identificando patrones complejos en millones de datos, lo que es importante en esta década donde día a día abundan los datos. Este estudio tiene como objetivo elaborar un modelo de aprendizaje automático o de máquinas (machine learning -ML) para la clasificación de donantes de sangre voluntarios en donante frecuente o no frecuente, del Banco de Sangre de la Escuela de Microbiología de la Universidad de Antioquia. Para ello se tuvo en cuenta una base de datos extraída del sistema de información de registro de donantes de Sangre de dicho banco y se aplicaron varios tipos de algoritmos (modelos) con el fin de experimentar y finalmente escoger uno o varios de acuerdo a su rendimiento o ajuste. Entre los algoritmos implementados, los que mejor se ajustaron con los datos de Test fueron: Regresión logística, k-Nearest Neighbors, Gaussian Naive Bayes- GNB y Maquinas de soporte de vector –SVM; estos se ajustan todos en un 93%. No obstante, también encontrará conceptos necesarios para el entendimiento y comprensión del experimento.

ABSTRACT: Machine Learning is a discipline of Artificial Intelligence that creates systems that automatically learn by identifying complex patterns in millions of data, which is important in this decade where data abounds every day. The objective of this study is to develop a machine learning (ML) model for the classification of voluntary blood donors into frequent or non-frequent donors, from the Blood Bank of the School of Microbiology of the University of Antioquia. For this, a database extracted from the Blood donor registry information system of said bank was taken into account and several types of algorithms (models) were applied in order to experiment and finally choose one or more according to their performance. or adjustment. Among the algorithms implemented, the ones that best fitted with the Test data were: Logistic Regression, k-Nearest Neighbors, Gaussian Naive Bayes-GNB and Vector Support Machines -SVM; these are all 93% adjusted. However, you will also find concepts necessary for understanding and understanding the experiment.