Aplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligera
dc.contributor.advisor | Fabian Arteaga, Junior Jhon | |
dc.contributor.author | Aliaga Urbina, Leslie Alexandra | |
dc.contributor.author | Calle Burga, Frank Junior | |
dc.contributor.author | Pacori Choquejahua, Carla Isabel | |
dc.contributor.author | Palma Bendezú, Noelia Yackelina | |
dc.contributor.author | Salinas Cevallos, Hector Jhon | |
dc.coverage.spatial | Perú | |
dc.date.accessioned | 2022-11-10T17:05:40Z | |
dc.date.available | 2022-11-10T17:05:40Z | |
dc.date.issued | 2022 | |
dc.description.abstract | En 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.format | application/pdf | es_ES |
dc.identifier.uri | https://hdl.handle.net/20.500.12640/3232 | |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad ESAN | es_ES |
dc.publisher.country | PE | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | es_ES |
dc.rights | Atribución-SinDerivadas 2.5 Perú | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/2.5/pe/ | * |
dc.subject | Aprendizaje automático | es_ES |
dc.subject | Toma de decisiones | es_ES |
dc.subject | Predicciones | es_ES |
dc.subject | Compra | es_ES |
dc.subject | Importaciones | es_ES |
dc.subject | Equipo industrial | es_ES |
dc.subject | Maquinaria | es_ES |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.11.04 | es_ES |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#5.02.04 | es_ES |
dc.title | Aplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligera | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
dc.type.other | Trabajo de suficiencia profesional | es_ES |
renati.advisor.dni | 44749148 | |
renati.advisor.orcid | https://orcid.org/0000-0001-9804-7795 | es_ES |
renati.author.dni | 76391090 | |
renati.author.dni | 71594597 | |
renati.author.dni | 76003519 | |
renati.author.dni | 73085519 | |
renati.author.dni | 70672101 | |
renati.discipline | 722056 | es_ES |
renati.juror | Chavez Rojas, Monica Patricia | |
renati.juror | Saenz Arteaga, Arturo Rodolfo | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_ES |
renati.type | https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional | es_ES |
thesis.degree.discipline | Ingeniería Industrial y Comercial | es_ES |
thesis.degree.grantor | Universidad ESAN. Facultad de Ingeniería | es_ES |
thesis.degree.name | Ingeniero Industrial y Comercial | es_ES |