Aplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligera

Simple item page
dc.contributor.advisorFabian Arteaga, Junior Jhon
dc.contributor.authorAliaga Urbina, Leslie Alexandra
dc.contributor.authorCalle Burga, Frank Junior
dc.contributor.authorPacori Choquejahua, Carla Isabel
dc.contributor.authorPalma Bendezú, Noelia Yackelina
dc.contributor.authorSalinas Cevallos, Hector Jhon
dc.coverage.spatialPerú
dc.date.accessioned2022-11-10T17:05:40Z
dc.date.available2022-11-10T17:05:40Z
dc.date.issued2022
dc.description.abstractEn el presente estudio haremos uso de Machine learning, usando 4 técnicas en la categoría de aprendizaje supervisado, para la predicción del estado de las cotizaciones, buscando agilizar la toma de decisiones con respecto al tiempo y costos de importación, y evitar la pérdida de ventas. Para la construcción del modelo predictivo se inició con la recopilación y limpieza de datos. Posteriormente, se utilizó el 80 % de datos recopilados para el entrenamiento de los modelos y 20% para la evaluación de las predicciones. Con la técnica k-NN se obtuvo un accuracy del 67.9% con un parámetro de k = 5; con la técnica Regresión logística, se obtuvo un 70.69% de accuracy; con la técnica SVM se obtuvo un 63.79% de accuracy y con la técnica Árbol de decisión se obtuvo un accuracy de 87.93%. Se aplicó codificación y normalización como mejora a la base de datos y con ello, la técnica de Árbol de decisión obtuvo el valor más alto de accuracy - 88.79%. Se recomienda el empleo de técnicas adicionales de Aprendizaje Supervisado a fin de seleccionar la que mejor resultado obtenga en la predicción.es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3232
dc.language.isospaes_ES
dc.publisherUniversidad ESANes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rightsAtribución-SinDerivadas 2.5 Perú*
dc.rights.urihttp://creativecommons.org/licenses/by-nd/2.5/pe/*
dc.subjectAprendizaje automáticoes_ES
dc.subjectToma de decisioneses_ES
dc.subjectPrediccioneses_ES
dc.subjectCompraes_ES
dc.subjectImportacioneses_ES
dc.subjectEquipo industriales_ES
dc.subjectMaquinariaes_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04es_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04es_ES
dc.titleAplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligeraes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.otherTrabajo de suficiencia profesionales_ES
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795es_ES
renati.author.dni76391090
renati.author.dni71594597
renati.author.dni76003519
renati.author.dni73085519
renati.author.dni70672101
renati.discipline722056es_ES
renati.jurorChavez Rojas, Monica Patricia
renati.jurorSaenz Arteaga, Arturo Rodolfo
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_ES
thesis.degree.disciplineIngeniería Industrial y Comerciales_ES
thesis.degree.grantorUniversidad ESAN. Facultad de Ingenieríaes_ES
thesis.degree.nameIngeniero Industrial y Comerciales_ES
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
2022_IIC_22-2_07_TC.pdf
Size:
5.09 MB
Format:
Adobe Portable Document Format
Description:
Texto completo
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Ingeniería Industrial Comercial