Gil Vera, Víctor DanielVélez Velandia, Elizabeth2024-10-252024-10-252021http://repository.ucatolicaluisamigo.edu.co/handle/20.500.14.531/4531El COVID-19 ha cobrado la vida de millones de personas a nivel mundial. A pesar de que son grandes los esfuerzos realizados por entes gubernamentales para detener su propagación y pese a que ya existen vacunas (Pfizer, Aztrazeneca, Sputnik, Sinovac, Novavax) que generan una inmunidad temporal, el número de infectados y muertes no cesa. El objetivo de esta investigación fue aplicar diferentes técnicas de Machine Learning (ML) para identificar si un paciente infectado con COVID-19 morirá o no. Para la construcción de los modelos de clasificación se empleó una base de datos pública de 566.602 pacientes mexicanos infectados con el virus. Los modelos entrenados fueron: regresión logística, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, Decision Tree y Random forest. Se concluye que la precisión obtenida por todos los modelos fue buena (>70%). El modelo de regresión logística obtuvo la precisión más alta.4 p.application/pdfspahttps://creativecommons.org/licenses/by-nd/4.0/ClasificaciónAprendizaje automáticoCOVID-19Muerteinfo:eu-repo/semantics/restrictedAccesshttp://purl.org/coar/resource_type/c_7a1fa