Optimización del rendimiento de la Máquina de Soporte Vectorial con SMOTE para la predicción multiclase de la desnutrición en el distrito de Sumedang, Indonesia

El porcentaje de niños pequeños con desnutrición en la región de Sumedang es el más alto en comparación con otros problemas nutricionales. La desnutrición impone un riesgo significativo para la futura calidad de los recursos humanos. Este estudio explora el rendimiento del algoritmo de Máquina de Soporte Vectorial (SVM) en la predicción del estado de desnutrición de los niños pequeños en el subdistrito de Tanjungmedar, la región con la mayor incidencia de casos de desnutrición en la región de Sumedang en 2020. Las pruebas utilizan el software RapidMiner y aplican la Técnica de Sobre-muestreo de Minorías Sintéticas (SMOTE) para superar el conjunto de datos desequilibrado, de modo que el rendimiento resultante pueda optimizarse. Se miden la precisión, la exactitud, el recall y la puntuación F1 en la evaluación del rendimiento utilizando una matriz de confusión. Los hallazgos demuestran que SMOTE podría ajustar la distribución de las clases objetivo en el conjunto de datos para maximizar el rendimiento del algoritmo SVM. Al comienzo de la prueba, el modelo SVM produjo una precisión del 85.10%. Después de aplicar SMOTE, la precisión del modelo SVM aumentó al 89.08%. La puntuación F1 también aumentó para cada clase, excepto para la clase Normal, que disminuyó ligeramente. Estos resultados demuestran la idoneidad de SVM combinado con SMOTE para tareas de clasificación multiclase relacionadas con la salud, especialmente en conjuntos de datos de salud pública desequilibrados, contribuyendo al avance del aprendizaje automático aplicado en la informática de la salud.