Análisis de vivienda saludable con Inteligencia Artificial en zona periurbana Jayllihuaya Puno – 2023

Contenido principal del artículo

Magali G. Gonzales-Paco
Sandra Flores-Asencio
Pablo C. Tapia-Catacora
Darwin Pino-Cordero

Resumen

La tendencia actual en la construcción de viviendas en la zona periurbana de Jayllihuaya es creciente, se observó que el terreno de la zona es estable, carente de humedad y con escasa presencia de antenas de emisión electromagnética. El estudio buscó establecer vínculo entre la inteligencia artificial y las viviendas saludables utilizando modelos de clasificación supervisada. Las características analizadas de las viviendas estuvieron relacionadas con el acceso a los servicios básicos, iluminación, contaminación acústica, material predominante de la vivienda, combustible utilizado en la cocina y acceso a la tecnología. La información sobre las viviendas se recolectó mediante encuestas de preguntas cerradas, procesadas posteriormente con la finalidad de predecir mediante modelos de algoritmos de clasificación. Los resultados mostraron que el modelo de algoritmo máquinas de vectores de soporte (SVM) logró clasificar correctamente las viviendas con una precisión de 82%, los modelos de algoritmos de k-vecinos más cercanos (KNN) y los bosques aleatorios (RF) alcanzaron una precisión de 82% y 86.3% respectivamente, con la particularidad que los dos últimos, no lograron clasificar las viviendas consideradas saludables. Estas precisiones alcanzadas evidencian que para clasificar viviendas en saludables y no saludables es mejor utilizar modelos basados en SVM.

Detalles del artículo

Cómo citar
Análisis de vivienda saludable con Inteligencia Artificial en zona periurbana Jayllihuaya Puno – 2023. (2024). C&T Riqchary Revista De investigación En Ciencia Y tecnología, 6(1), 1-6. https://doi.org/10.57166/riqchary.v6.n1.2024.115
Sección
Artículos

Cómo citar

Análisis de vivienda saludable con Inteligencia Artificial en zona periurbana Jayllihuaya Puno – 2023. (2024). C&T Riqchary Revista De investigación En Ciencia Y tecnología, 6(1), 1-6. https://doi.org/10.57166/riqchary.v6.n1.2024.115

Referencias

Organización Mundial de la Salud (OMS), “Informe mundial de la OMS sobre el envejecimiento y la salud.,” 2015.

P. Baker, M., Keall, M., Au, E. L., & Howden-Chapman, “Home is where the heart is--most of the time.,” New Zeal. Med. journal, 120(1264), U2769., 2007.

Organización Internacional del Trabajo (OIT), “Perspectivas sociales y del empleo en el mundo: tendencias 2016. Ginebra,” 2016.

L. F. Herrera Quintero, “Viviendas inteligentes ( Domótica ),” Rev. Ing. e Investig., vol. 25, no. 2, 2005. https://doi.org/10.15446/ing.investig.v25n2.14639

A. Gabriel, “Qué es Domótica - CEDOM | Asociación Española de Domótica e Inmótica,” CEDOM. 2020.

J. Chaparro Mendivelso, “Domótica: la mutación de la vivienda,” Scripta Nova: Revista electrónica de geografía y ciencias sociales. 2003.

W. (DC) Organización Panamericana de la Salud, “Directrices de la OMS sobre vivienda y salud [Internet],” Internet, 2022. https://www.ncbi.nlm.nih.gov/books/NBK583405/ (accessed Dec. 13, 2023).

S. Iddi, K. Muindi, H. Gitau, and B. Mberu, “Characterization of Healthy Housing in Africa: Method, Profiles, and Determinants,” J. Urban Heal., vol. 99, no. 1, 2022, https://doi.org/10.1007/s11524-021-00603-5

INEI 2018, “Dirección Nacional de Censos y Encuestas - ENDES,” 2022. https://proyectos.inei.gob.pe/endes/queesendes.asp (accessed Mar. 01, 2024).

J. E. (Hans. Korteling, G. C. van de Boer-Visschedijk, R. A. M. Blankendaal, R. C. Boonekamp, and A. R. Eikelboom, “Human- versus Artificial Intelligence,” Front. Artif. Intell., vol. 4, 2021, https://doi.org/10.3389/frai.2021.622364

L. K. Ramasamy, S. Kadry, Y. Nam, and M. N. Meqdad, “Performance analysis of sentiments in Twitter dataset using SVM models,” Int. J. Electr. Comput. Eng., vol. 11, no. 3, 2021, https://doi.org/10.11591/ijece.v11i3.pp2275-2284

S. Zhang, X. Li, M. Zong, X. Zhu, and D. Cheng, “Learning k for kNN Classification,” ACM Trans. Intell. Syst. Technol., vol. 8, no. 3, 2017, https://doi.org/10.1145/2990508

J. J. Espinosa Zúñiga, “Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de tarjetas de crédito,” Ing. Investig. y Tecnol., vol. 21, no. 3, pp. 1–16, Jul. 2020, https://doi.org/10.22201/fi.25940732e.2020.21.3.022

J. L. Speiser, M. E. Miller, J. Tooze, and E. Ip, “A comparison of random forest variable selection methods for classification prediction modeling,” Expert Systems with Applications, vol. 134. 2019. https://doi.org/10.1016/j.eswa.2019.05.028

C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Electron. Mark., vol. 31, no. 3, 2021, https://doi.org/10.1007/s12525-021-00475-2

K. Keykhosravi, A. Hamednia, H. Rastegarfar, and E. Agrell, “Data preprocessing for machine-learning-based adaptive data center transmission,” ICT Express, vol. 8, no. 1, 2022, https://doi.org/10.1016/j.icte.2022.02.002

A. A. Akimov, D. R. Valitov, and A. I. Kubryak, “DATA PREPROCESSING FOR MACHINE LEARNING,” Научное обозрение. Технические науки (Scientific Rev. Tech. Sci., no. №2 2022, 2022, https://doi.org/10.17513/srts.1391

K. Goyal, “Data Preprocessing in Machine Learning: 7 Easy Steps To Follow,” upGrad, 2021.

K. Dhasaradhan and R. Jaichandran, “Performance analysis of machine learning algorithms in heart disease prediction,” Concurr. Eng. Res. Appl., vol. 30, no. 4, 2022, https://doi.org/10.1177/1063293X221125231

W. De Vazelhes, C. J. Carey, Y. Tang, N. Vauquier, and A. Bellet, “Metric-learn: Metric Learning Algorithms in Python,” J. Mach. Learn. Res., vol. 21, 2020.

Z. Khanam, B. N. Alwasel, H. Sirafi, and M. Rashid, “Fake News Detection Using Machine Learning Approaches,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1099, no. 1, 2021, https://doi.org/10.1088/1757-899X/1099/1/012040

S. De Gheselle et al., “Machine learning for prediction of euploidy in human embryos: in search of the best-performing model and predictive features,” Fertil. Steril., vol. 117, no. 4, 2022, https://doi.org/10.1016/j.fertnstert.2021.11.029

S. Uddin, A. Khan, M. E. Hossain, and M. A. Moni, “Comparing different supervised machine learning algorithms for disease prediction,” BMC Med. Inform. Decis. Mak., vol. 19, no. 1, 2019, doi: https://doi.org/10.1186/s12911-019-1004-8

Bharadwaj, K. B. Prakash, and G. R. Kanagachidambaresan, “Pattern Recognition and Machine Learning,” in EAI/Springer Innovations in Communication and Computing, 2021. doi: https://doi.org/10.1007/978-3-030-57077-4_11

R. Santa María and P. Lima, “LA INICIATIVA DE VIVIENDA SALUDABLE EN EL PERU,” Rev. Peru. Med. Exp. y salud PÚblica, vol. 25, no. 4, 2008.

M. A. Polo and J. Sanchez, “Estudio De Mercado Para La Comercialización De Viviendas Ecológicas En El Distrito De Chiclayo - Año 2016,” 2016.

A. E. Barragán and P. E. Ochoa, Diseño de viviendas ambientales de bajo costo., vol. 5, no. 1. 2014. https://doi.org/10.18537/mskn.05.01.06