Covid-19 en Ecuador: Aplicación de minería de datos
DOI:
https://doi.org/10.33936/isrtic.v6i1.4366Palabras clave:
Covid-19, Minería de Datos, metodología KDD, algoritmos series-temporalesResumen
El COVID-19 se introdujo rápidamente como una pandemia global, la cual necesita ser tratada con respuesta inmediatas e integradas a todos los sistemas nacionales que requieran de ellas. Con la llegada del COVID-19 el mundo vio la necesidad de respuestas oportunas y el intercambio de datos sobre ésta y futuras pandemias globales de rápida propagación. Este estudio se enfoca en predecir la incidencia del COVID-19 en Ecuador. Se realizó Minería de Datos de los registros proporcionados por instituciones públicas del estado ecuatoriano con información oficial y actualizada del COVID-19 en el Ecuador. Se experimento con modelos de regresión y memoria a largo plazo obteniendo como resultado el modelo óptimo para estimar el número
de casos positivos de COVID-19. Para el modelo matemático se hizo uso del error cuadrático medio como métrica del rendimiento. Del análisis de los
datos sobre el COVID-19 en Ecuador el modelo de regresión lineal predijo la incidencia con un error cuadrático medio de 0.54. siendo los factores más
efectivos la incidencia de días anteriores y el número de población de cada una de las provincias afectadas.
Descargas
Citas
Ayyoubzadeh, S., Zahedi, H. A., & R, N. K. (2020). Predicción de la incidencia de COVID-19 mediante el análisis de datos de Google Trends en Irán: estudio piloto de minería de datos y aprendizaje profundo. JMIR Public Health Surveill, 6.
Celestine, I., Ali, K. B., Atharva, P., & R, S. (2020). COVID-19 Patient Health Prediction Using Boosted Random Forest Algorithm. Frontiers in Public Health, 357.
Debashree, R., Maxwell, S., Rupam, B., & Lili, W. (2020). Predicciones, papel de las intervenciones y efectos de un bloqueo nacional histórico en la respuesta de India a la pandemia de COVID-19: llamada a las armas de la ciencia de Datos. Harv Data Sci Rev, 1-2.
Fayyad, U., Piatetsky, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine.
Jason, C., & Robert, H. (2020). Response to COVID-19 in Taiwan. Big Data Analytics, New Technology, and Proactive Testing. JAMA, 1341-1342.MSP. (2022).
Vacunómetro. Obtenido dehttps://app.powerbi.com/view?r=eyJrIjoiYTkzNTFkMmUtZmUzNi00NDcwLTg0MDEtNjFkNzhhZTg5ZWYyIiwidCI6IjcwNjIyMGRiLTliMjktNGU5MS1hODI1LTI1NmIwNmQyNjlmMyJ9&pageName=ReportSection
Muhammad, A., Suliman, K., Abeer, K., Nadia, B., & Rabeea, S. (2020). COVID-19 infection: Origin, transmission, and characteristics of human coronaviruses. Journal of Advanced Research, 91-98.Salcedo, F., & Salcedo, G. (2021). Modelos predictivos de los contagios de la COVID-19 para la provincia de Loja-Ecuador. Novasinergia, 62-77
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Juan-Carlos Zambrano, Patricia Quiroz-Palma, Alex Santamaría-Philco, Willian Zamora
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
