MODULO IV CLASIFICACIÓN DE CARIES DENTAL SEGÚN LA METODOLOGÍA DE BLACK.

                                                                   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/04f5d9db-79ff-45dc-b98a-8d3bbdfc3006

El algoritmo de árbol de decisiones es útil en la clasificación de datos, incluyendo la clasificación de caries dental según la metodología de Black. Aquí tienes un ejemplo paso a paso utilizando Python y la librería `scikit-learn` para construir un modelo de árbol de decisiones y evaluar su desempeño con métricas y gráficos.

1. Preparación de los datos:

Para este ejemplo, supongamos que tienes un conjunto de datos con características relevantes para la clasificación de caries dental, como profundidad de la caries, ubicación en el diente, etc. Por ahora, generaremos datos ficticios para demostrar el proceso.

Ejecutado este código tenemos los siguientes resultados.

Python

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

import matplotlib.pyplot as plt

import seaborn as sns

# Generación de datos ficticios

datos = {

    'Profundidad': [2, 3, 1, 2, 3, 1, 2, 3, 1, 2],

    'Ubicacion': [1, 2, 3, 1, 2, 3, 1, 2, 3, 1],

    'Caries': ['Sí', 'No', 'Sí', 'No', 'Sí', 'No', 'Sí', 'No', 'Sí', 'No']

}

df = pd.DataFrame(datos)

# Separar características y etiquetas

X = df[['Profundidad', 'Ubicacion']]

y = df['Caries']

# Dividir datos en entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

 

 2. Entrenamiento del modelo de árbol de decisiones:

   Python

# Crear el clasificador de árbol de decisiones

clf = DecisionTreeClassifier(random_state=42)

# Entrenar el modelo

clf.fit(X_train, y_train)

DecisionTreeClassifier

DecisionTreeClassifier(random_state=42

3. Predicción y evaluación del modelo:

Python

# Realizar predicciones en datos de prueba

predicciones = clf.predict(X_test)

# Calcular la precisión del modelo

precision = accuracy_score(y_test, predicciones)

print(f"Precisión del modelo: {precision}")

# Matriz de confusión

matriz_confusion = confusion_matrix(y_test, predicciones)

print("Matriz de Confusión:")

print(matriz_confusion)

# Reporte de clasificación

reporte = classification_report(y_test, predicciones)

print("Reporte de Clasificación:")

print(reporte)

Interacción con Google colab:

Precisión del modelo: 0.6666666666666666 Matriz de Confusión: [[1 1] [0 1]] Reporte de Clasificación: precision recall f1-score support No 1.00 0.50 0.67 2 Sí 0.50 1.00 0.67 1 accuracy 0.67 3 macro avg 0.75 0.75 0.67 3 weighted avg 0.83 0.67 0.67 3

# Graficar la matriz de confusión

plt.figure(figsize=(6, 4))

sns.heatmap(matriz_confusion, annot=True, cmap='Blues', fmt='d', cbar=False)

plt.xlabel('Predicciones')

plt.ylabel('Valores Reales')

plt.title('Matriz de Confusión')

plt.show()

Este código te permitirá realizar un ejemplo básico de clasificación utilizando un árbol de decisiones. Recuerda que estos son datos ficticios y deberás adaptar el código a tu conjunto de datos real. Además, la interpretación de las métricas (precisión, matriz de confusión, reporte de clasificación) te ayudará a entender el rendimiento del modelo en la clasificación de caries dental según la metodología de Black.

Conclusiones y reflexiones:  Es de gran importancia poder conocer estas herramientas de árbol de decisiones  en diagnóstico de caries dental (aprendizaje supervisado),   para mejorar nuestra práctica docente empleado es tas nuevas herramientas.