Impacto de los algoritmos de sobremuestreo en la clasificación de subtipos principales del síndrome de Guillain-Barré

• Main Authors: Oscar Chávez-Bosquez, Manuel Torres-Vásquez, José Hernández-Torruco, Betania Hernández-Ocaña
• Format: Article
• Language: English
• Published: Universidad Politécnica Salesiana 2020-12-01
• Series: Ingenius: Revista de Ciencia y Tecnología
• Subjects: ADASYN; Clasificadores; Desbalanceo; ROS; SMOTE; Wilcoxon
• Online Access: https://retos.ups.edu.ec/index.php/ingenius/article/view/4055

El Síndrome de Guillain-Barré es un trastorno neu-rológico donde el sistema inmune del cuerpo ataca al sistema nervioso periférico. Esta enfermedad es de rápida evolución y es la causa más frecuente de parálisis del cuerpo. Existen cuatro variantes de SGB: Polineuropatía Desmielinizante Inflamatoria Aguda, Neuropatía Axonal Motora Aguda, Neuropatía Axonal Sensorial Aguda y Síndrome de Miller-Fisher. Identificar el subtipo de SGB que el paciente contrajo es determinante debido a que el tratamiento es diferente para cada subtipo. El objetivo de este estudio fue determinar cuál algoritmo de sobremuestreo mejora el rendimiento de los clasificadores. Además, determinar si balancear los datos mejoran el rendimiento de los modelos predictivos. Aplicamos tres métodos de sobremuestro (ROS, SMOTE y ADASYN) a la clase minoritaria, utilizamos tres clasificadores (C4.5,SVM y JRip). El rendimiento de los modelos se obtuvo mediante la curva ROC. Los resultados muestran que balancear el dataset mejora el rendimiento de los modelos predictivos. El algoritmo SMOTE fue el mejor método de balanceo en combinación con el clasificador JRip para OVO y el clasificador C4.5para OVA.