Predição de ciclos menstruais com técnicas de machine learning

• Main Author: Oliveira, Paulina Julia Costa de
• Publication Date: 2023
• Format: Bachelor thesis
• Language: por
• Source: Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU)
• dARK ID: ark:/74562/0013000001stg
• Download full: https://repositorio.ufersa.edu.br/handle/prefix/10418
• topic: CIENCIAS EXATAS E DA TERRA::CIENCIA E TECNOLOGIA; Aprendizado de máquina; Predição; Saúde feminina; Ciclo menstrual

A área de aprendizado de máquina é um campo da inteligência artificial que se concentra no desenvolvimento de algoritmos e técnicas que permitem aos computadores aprenderem a partir de dados e melhorarem seu desempenho em tarefas específicas sem serem explicitamente programados, ele pode ser usado para soluções de análise de dados, predição, gerenciamento e otimização de serviços, com diversas aplicações em diferentes áreas, como por exemplo, na saúde. Neste trabalho, é investigado o uso de dois modelos de machine learning, tais como o random forest (RF) e o modelo de regressão linear (RL) aplicados a predição de ciclos menstruais. O ciclo menstrual é um fenômeno bastante comum entre mulheres consideradas saudáveis e ocorre de forma cíclica, com duração média de 28 a 30 dias e é ocasionado por diversas variações hormonais. A sua previsão é importante para a saúde feminina, pois permite a tomada de medidas preventivas para minimizar os desconfortos associados ao ciclo, além de ser essencial para o planejamento familiar e identificação de possíveis irregularidades. Para atingir nossos objetivos, foram gerados alguns dados sintéticos. Os modelos foram treinados e avaliados por meio do uso das métricas de avaliação do desempenho: a média do erro absoluto (Mean absolute error - MAE) e o erro quadrático médio (Root mean squared error - RMSE). Os resultados desta pesquisa mostram que os modelos RL e RF foram capazes de realizar uma predição com um RMSE de 1.3667 e 1.4759, respectivamente. Mostrando o quão próximo foram de valores reais. Desta forma, o aprendizado de máquina pode ser muito útil para auxiliar na previsão da data aproximada do inicio do ciclo menstrual.