Browsing by Subject "Random Forest Classifier"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Predicción del riesgo de depresión en estudiantes universitarios mediante métodos de aprendizaje automático
    (Pontificia Universidad Javeriana Cali, 2026) Mendoza Sarmiento, Kassandra; Sánchez Serna, Ángel David; Cuchumbé Mera, Juan Sebastián; Ávila Toscano, José Hernando
    El presente proyecto aplicado estimó el riesgo de depresión en estudiantes universitarios a partir de variables sociodemográficas, emocionales y académicas, utilizando modelos de aprendizaje automático. La depresión afecta significativamente a la población universitaria e impacta en su rendimiento académico y en la deserción de las instituciones universitarias. Las universidades presentan programas de bienestar con un enfoque más reactivo que preventivo y no cuentan con herramientas que generen alertas tempranas que permitan anticiparse al riesgo. Con este proyecto se desarrolló un modelo predictivo entrenado y validado sobre datos provenientes de encuestas anónimas disponibles públicamente, con el fin de sentar una base metodológica que pueda ser adaptada por instituciones universitarias en contextos reales. El proyecto contempló tres objetivos específicos: analizar la capacidad de la regresión logística para modelar relaciones lineales entre variables relevantes; evaluar el desempeño del modelo Random Forest en la detección de patrones no lineales y la importancia de los predictores y comparar ambos modelos según métricas de rendimiento como la precisión, sensibilidad y especificidad. Para ello, se utilizó la base de datos pública “Student Depression Dataset”, disponible en la plataforma Kaggle. Como resultados, se construyeron y validaron dos modelos predictivos y se generaron visualizaciones comparativas de desempeño. El proyecto representa una contribución aplicada desde la ciencia de datos al campo de la salud mental en contextos educativos.