MODULO IV APLICACIÓN PRÁCTICA: PREDICCIÓN DE LA PRESIÓN ARTERIAL EN MUJERES REGRESIÓN LINEAL (APRENDIZAJE SUPERVISADO)

                                                              

                                                                          DIPLOMA DO

                                       EN INTELIGENCIA ARTIFICIAL

                                                               MODULO IV  

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

Ortega Irusta Mireya Elena

Interaccion con Chat GPT

https://chat.openai.com/share/d13ce2a8-c399-47ca-8370-1311b196bfbd

PREDICCIÓN DE LA PRESIÓN ARTERIAL EN MUJERES  REGRESIÓN LINEAL (APRENDIZAJE SUPERVISADO)

 Para aplicar los componentes del pensamiento computacional y desarrollar un ejemplo sobre la predicción de la presión arterial en mujeres utilizando regresión lineal con Python, primero debemos entender los pasos:

1. Programación tradicional: Este enfoque implica establecer reglas explícitas para mapear las entradas a las salidas. En este caso, podríamos usar información específica sobre las mujeres (como edad, peso, altura, hábitos alimenticios, etc.) y aplicar reglas basadas en la experiencia médica para predecir la presión arterial.

2. Aprendizaje automático: Aquí, el objetivo es entrenar un modelo utilizando datos para aprender patrones y generar reglas automáticamente, en lugar de establecer reglas explícitas. Utilizaremos un algoritmo de regresión lineal para aprender la relación entre las características de las mujeres y su presión arterial, a partir de un conjunto de datos.

Ahora, siguiendo estos pasos, aquí hay un ejemplo de cómo aplicar el pensamiento computacional para predecir la presión arterial en mujeres usando regresión lineal en Python:

 Paso 1: Programación Tradicional

Para este ejemplo, supongamos que tenemos un conjunto de datos que contiene información sobre la edad y el peso de un grupo de mujeres, así como su presión arterial sistólica (la presión arterial cuando el corazón late).

Ejecutado este código tenemos los siguientes resultados.

Python

# Datos de ejemplo

edad = [25, 30, 35, 40, 45, 50, 55, 60]

peso = [55, 60, 65, 70, 75, 80, 85, 90]

presion_arterial = [120, 122, 125, 128, 130, 133, 135, 138]

# Reglas (ejemplo simplificado)

# Supongamos una regla simple: la presión arterial aumenta con la edad y el peso

def predecir_presion_arterial_tradicional(edad, peso):

    presion_estimada = edad * 1.2 + peso * 0.5 + 100

    return presion_estimada

# Usando la función para predecir la presión arterial para una mujer de 35 años y 65 kg

prediccion_tradicional = predecir_presion_arterial_tradicional(35, 65)

print("Predicción de presión arterial (tradicional):", prediccion_tradicional)

In

Predicción de presión arterial (tradicional): 174.5

Python

Paso 2: Aprendizaje Automático

Ahora, utilizaremos un enfoque de aprendizaje automático para predecir la presión

arterial utilizando regresión lineal.

from sklearn.linear_model import LinearRegression

# Preparar los datos en formato aceptable para el modelo

X = [[edad[i], peso[i]] for i in range(len(edad))]

y = presion_arterial

# Entrenar el modelo de regresión lineal

modelo = LinearRegression()

modelo.fit(X, y)

# Predicción para una mujer de 35 años y 65 kg usando el modelo entrenado

nueva_mujer = [[35, 65]]

prediccion_ml = modelo.predict(nueva_mujer)

print("Predicción de presión arterial (aprendizaje automático):", prediccion_ml[0])

Interaccióncon Google colab:

Predicción de presión arterial (aprendizaje automático): 125.0

En este caso, se utiliza el modelo de regresión lineal de la librería `scikit-learn` para aprender la relación entre la edad, el peso y la presión arterial. Luego, se hace una predicción para una mujer de 35 años y 65 kg utilizando el modelo entrenado.

Estos pasos representan cómo aplicar el pensamiento computacional en un contexto de

predicción de presión arterial en mujeres, utilizando tanto un enfoque de programación tradicional como de aprendizaje automático con regresión lineal en Python.

Ejemplo de Regresión Lineal con Scikit-learn

Python

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

# Generar datos de ejemplo

np.random.seed(0)

edad = np.random.randint(20, 70, 50).reshape(-1, 1)

peso = np.random.randint(50, 90, 50).reshape(-1, 1)

presion_arterial = 100 + 1.2 * edad + 0.5 * peso + np.random.normal(0, 5, (50, 1))

# Crear el modelo de regresión lineal

modelo = LinearRegression()

# Entrenar el modelo con los datos

modelo.fit(np.hstack((edad, peso)), presion_arterial)

# Hacer predicciones para los datos existentes

predicciones = modelo.predict(np.hstack((edad, peso)))

# Graficar los datos y la línea de regresión

fig = plt.figure(figsize=(10, 6))

ax = fig.add_subplot(111, projection='3d')

ax.scatter(edad, peso, presion_arterial, c='blue', label='Datos reales')

ax.scatter(edad, peso, predicciones, c='red', label='Predicciones')

ax.set_xlabel('Edad')

ax.set_ylabel('Peso')

ax.set_zlabel('Presión Arterial')

plt.legend()

plt.show()

Interaccióncon Google colab:

 

En este ejemplo, se utilizan datos generados aleatoriamente para simular la relación entre la edad, el peso y la presión arterial. Se crea un modelo de regresión lineal utilizando Scikit-learn y se realizan predicciones sobre la presión arterial basadas en la edad y el peso.

El gráfico muestra los datos reales (en azul) y las predicciones del modelo (en rojo) en un espacio tridimensional con ejes para la edad, el peso y la presión arterial.

Estos algoritmos permiten entender cómo se puede aplicar la regresión lineal utilizando Scikit-learn en Python para predecir la presión arterial en mujeres basándose en características como la edad y el peso.

 Conclusiones y reflexiones:  Es de gran importancia poder conocer estas herramientas de predicción de la presión arterial en mujeres regresión lineal (aprendizaje supervisado) para mejorar nuestra práctica docente empleado es las nuevas herramientas.

La regresión lineal asume una relación lineal entre las variables predictoras y la presión arterial. Es crucial examinar si esta suposición se ajusta a los datos disponibles, ya que la relación podría no ser estrictamente lineal. El análisis de regresión lineal puede identificar qué variables (como la edad, peso, actividad física.) tienen una relación significativa con la presión arterial en mujeres. Esto ayuda a comprender que factores podrían influir en los niveles de presión arterial.