Aplicación de modelos de Machine Learning para la predicción de diabetes

Este trabajo analiza una base de datos pública de salud procedente de Kaggle, correspondiente al dataset BRFSS 2023, con el objetivo de predecir la presencia de diabetes mediante técnicas de Machine Learning. Para ello, se realiza un proceso de análisis exploratorio, limpieza y preparación de los datos, transformación de la variable objetivo y selección de variables clínicas y demográficas relevantes. Posteriormente, se entrenan y comparan distintos modelos de clasificación en Python, como regresión logística, árbol de decisión, Random Forest y K-Nearest Neighbors. Debido al desbalanceo de clases, se aplican técnicas de balanceo como class_weight="balanced" y SMOTE-Tomek, prestando especial atención al recall de la clase positiva. Además, se incorpora un análisis de clustering mediante K-Means para identificar perfiles de salud similares. De forma complementaria, se comparan los resultados con los obtenidos en RapidMiner AI Studio y se realizan consultas SQL exploratorias en Oracle. Los resultados muestran que la regresión logística balanceada y el árbol de decisión son especialmente adecuados para detectar casos positivos de diabetes, mientras que Random Forest obtiene una mayor exactitud global.