Especialización en Analítica y Ciencia de Datos · 2025
Evaluación de modelos supervisados y estrategias de balanceo de clases en la clasificación de alimentos aptos para personas con diabetes tipo 2
Solo ficha. El repositorio marca este trabajo como «Acceso abierto»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
La clasificación nutricional de alimentos para personas con diabetes tipo 2 representa un reto técnico cuando solo se dispone de información del etiquetado y no existe una categoría explícita que indique si un producto es apto o no. A partir de este problema, este estudio desarrolló y evaluó modelos supervisados capaces de determinar la aptitud de productos procesados utilizando datos del conjunto Open Food Facts. La metodología incluyó una depuración exhaustiva del dataset, la construcción de una variable objetivo basada en criterios clínicos y la aplicación comparativa de distintas estrategias de balanceo para enfrentar un desbalance extremo en la distribución de clases. Modelos como Random Forest, XGBoost, regresión logística y perceptrón multicapa fueron entrenados bajo múltiples configuraciones de resampling y evaluados mediante métricas robustas como F1-score y AUC-ROC. Los resultados muestran que Random Forest combinado con Random OverSampling ofrece el mejor compromiso entre estabilidad, sensibilidad y capacidad discriminativa. Este hallazgo evidencia la viabilidad de emplear aprendizaje automático como herramienta de apoyo para interpretar información nutricional y facilitar decisiones alimentarias para personas con diabetes tipo 2.