Fabian Arteaga, Junior JhonAliaga Urbina, Leslie AlexandraCalle Burga, Frank JuniorPacori Choquejahua, Carla IsabelPalma Bendezú, Noelia YackelinaSalinas Cevallos, Hector Jhon2022-11-102022-11-102022https://hdl.handle.net/20.500.12640/3232En 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.application/pdfspainfo:eu-repo/semantics/openAccessAtribución-SinDerivadas 2.5 PerúAprendizaje automáticoToma de decisionesPrediccionesCompraImportacionesEquipo industrialMaquinariainfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.11.04https://purl.org/pe-repo/ocde/ford#5.02.04