Ivan Leonel Acosta-Guzman, Eleanor Alexandra Varela-Tapia, Christopher Ivan Acosta-Varela, Joselyn Denisse Tumbaco-Bravo

Memorias de la Vigésima Primera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2022, pp. 18-23 (2022); https://doi.org/10.54808/CISCI2022.01.18

Ivan Leonel Acosta-Guzman
Facultad de Ingeniería Industrial, Universidad de Guayaquil, Guayaquil, Ecuador

Eleanor Alexandra Varela-Tapia
Facultad de Ciencias Matemáticas y Físicas, Universidad de Guayaquil, Guayaquil, Ecuador

Christopher Ivan Acosta-Varela
Facultad de Ingeniería en Electricidad y Computación, Escuela Superior del Politécnica del Litoral, Guayaquil, Ecuador

Joselyn Denisse Tumbaco-Bravo
Facultad de Ingeniería Industrial, Universidad de Guayaquil, Guayaquil, Ecuador

Cite this paper as:
Acosta-Guzman, I. L., Varela-Tapia, E. A., Acosta-Varela, C. I., Tumbaco-Bravo, J. D. (2022). Predicción de Índice de Masa Corporal (IMC) Mediante Algoritmos de Máquina de Soporte Vectorial y Arboles de Decisión de Machine Learning de la IA. En N. Callaos, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Primera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2022, pp. 18-23. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2022.01.18

El proyecto surgió debido a problemas de salud que presentaban los residentes de la Cooperativa Bastión Popular en el Ecuador, estos problemas de salud se originaron por la mala alimentación que llevaban debido a la falta de información de alimentos salubres porque no tienen recursos económicos para ir donde un nutricionista que les pueda prescribir una dieta saludable. Por otro lado, un nutricionista en la prescripción de la dieta debe considerar varios factores siendo uno de ellos el Índice de Masa Corporal (IMC). Es por ello, que se planteó como objetivo un modelo inteligente con Machine Learning que realiza la predicción del IMC de la persona. La metodología empleada fue mediante la investigación exploratoria, cualitativa y cuantitativa y de modelo inteligente, se aplicaron los algoritmos Máquina de Soporte Vectorial para Clasificación (SVM-C) y Árboles de Decisión del campo de Machine Learning de la Inteligencia Artificial. Como resultados se obtuvo que el nivel de eficiencia fue 94.66% para casos conocidos o data de entrenamiento (Train) y un nivel de eficiencia de 87.45% para casos desconocidos o data de pruebas (Test) con el modelo SVM-C; en cambio con el modelo de Árboles de Decisión se obtuvo un nivel de eficiencia en clasificación de 94.05% para casos conocidos y 95.81% para casos desconocidos. Lo que permite concluir que es factible la implementación de un módulo de Machine Learning con aprendizaje supervisado que permita optimizar tiempo del nutricionista en la realización de cálculos manuales del IMC para atender a más pacientes.