MODULO IV DESARROLLO DE UN MODELO DE ÁRBOL DE DECISIONES PARA UN CASO DE ESTUDIO DE DIAGNÓSTICO DE PULPOTOMÍA

                                                                 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/19f9309e-a928-4e79-b26e-d7317527a9f7

DESARROLLO DE UN MODELO DE ÁRBOL DE DECISIONES PARA UN CASO DE ESTUDIO DE DIAGNÓSTICO DE PULPOTOMÍA

Desarrollo de un modelo de árbol de decisiones para un caso de estudio de diagnóstico de pulpotomía, aplicando los componentes del pensamiento computacional y conceptos clave de regresión logística y árboles de decisión.

1. Comprensión del Problema:

Se busca determinar si un niño de 5 años necesita una pulpotomía dental basándose en síntomas como dolor y afectación en la radiografía.

2. Programación Tradicional vs. Aprendizaje Automático:

- Programación Tradicional: Se definirían reglas basadas en el conocimiento experto dental para diagnosticar la necesidad de una pulpotomía. Por ejemplo, Si hay dolor persistente y afectación en la radiografía, recomendar pulpotomía.

- Aprendizaje Automático: Se utilizarán datos históricos de pacientes (entradas y diagnósticos) para entrenar un modelo que aprenda patrones y pueda predecir si un nuevo paciente necesita una pulpotomía.

 3. Componentes del Aprendizaje Automático:

a. Entradas y Salidas:

- Entradas (Características): Dolor (Sí/No), Afectación en Radiografía (Sí/No).

- Salida (Objetivo): Diagnóstico de pulpotomía (Necesaria/No necesaria).

b. Fundamentos de la Regresión Logística:

La regresión logística es un modelo de clasificación que estima la probabilidad de que una observación pertenezca a una categoría particular. En este caso, podría utilizarse para clasificar si la pulpotomía es necesaria o no, basándose en las características como el dolor y la afectación en la radiografía.

c. Fundamentos de los Árboles de Decisión:

Los árboles de decisión son estructuras jerárquicas que toman decisiones mediante la creación de nodos y ramas. Cada nodo representa una característica, y las ramas representan las posibles salidas basadas en esa característica. Los árboles se construyen eligiendo las características más informativas en cada paso para dividir los datos y predecir las etiquetas.

 4. Implementación en un Caso de Estudio:

 a. Preparación de los Datos:

- Recolectar datos de pacientes con información sobre dolor, radiografías y diagnósticos de pulpotomía.

- Dividir los datos en conjuntos de entrenamiento y prueba.

 b. Entrenamiento del Modelo de Árbol de Decisiones:

- Utilizar el conjunto de entrenamiento para ajustar un modelo de árbol de decisiones.

- Ajustar parámetros como la profundidad del árbol para evitar sobreajuste.

c. Evaluación del Modelo:

- Evaluar el modelo utilizando el conjunto de prueba para medir su precisión en predecir la necesidad de pulpotomía.

5. Análisis de Importancia de Características y Poda del Árbol:

- Determinar qué características tienen más peso en las decisiones del árbol.

- Aplicar técnicas de poda para simplificar el árbol y mejorar la generalización.

6. Producción y Uso del Modelo:

- Utilizar el modelo entrenado para predecir la necesidad de pulpotomía en nuevos pacientes basándose en sus características.

Este enfoque sigue el ciclo de vida básico del aprendizaje automático, desde la preparación de datos hasta el despliegue del modelo entrenado para hacer predicciones en situaciones del mundo real.

from sklearn.tree import DecisionTreeClassifier, plot_tree

import matplotlib.pyplot as plt

# Datos de ejemplo: características y etiquetas (1 si es necesario, 0 si no)

# Consideramos dos características: dolor y afectación en la radiografía

# 1: Sí, 0: No

datos_entrenamiento = [

    [1, 1],

    [1, 0],

    [0, 1],

    [0, 0]

]

etiquetas = [1, 1, 1, 0]  # 1 para pulpotomía necesaria, 0 para no necesaria

# Crear el clasificador de árbol de decisiones

clasificador = DecisionTreeClassifier()

# Entrenar el clasificador con los datos

clasificador.fit(datos_entrenamiento, etiquetas)

# Visualizar el árbol de decisiones

plt.figure(figsize=(8, 6))

plot_tree(clasificador, filled=True, feature_names=['Dolor', 'Afectación en Radiografía'])

plt.title('Árbol de Decisiones para Pulpotomía')

plt.show()

# Ejemplo de predicción: supongamos un nuevo paciente con dolor pero sin afectación en la radiografía

nuevo_paciente = [[1, 0]]

prediccion = clasificador.predict(nuevo_paciente)

if prediccion[0] == 1:

    print("Se recomienda pulpotomía.")

else:

    print("No se recomienda pulpotomía en este momento.")

Interacción con Google colab:

Conclusiones y reflexiones:  Es de gran importancia poder conocer estas

herramientas de árbol de decisiones (aprendizaje supervisado),  en desarrollo de un modelo

de árbol de decisiones para un caso de estudio de diagnóstico de pulpotomía para

mejorar nuestra práctica docente empleado es las nuevas herramientas.

Los árboles de decisiones ofrecen una forma clara y visualmente comprensible de representar el proceso 

de toma de decisiones. Para el diagnóstico de pulpotomía, esto puede ser beneficioso para entender 

qué síntomas o características son más relevantes en la identificación de la afección. 

Los árboles pueden capturar interacciones no lineales entre los síntomas y el diagnóstico. En el contexto

de la pulpotomía, el modelo podría revelar relaciones entre diferentes síntomas que pueden no ser 

evidentes de manera directa.