Evaluación comparativa en el desempeño de modelos de machine learning en la predicción  de pagadores del impuesto predial de la ciudad de Tingo María para el año 2019

Junco Aranciaga, Antonio Gabriel

Evaluación comparativa en el desempeño de modelos de machine learning en la predicción de pagadores del impuesto predial de la ciudad de Tingo María para el año 2019

dc.contributor.advisor	Solis Bonifacio, Hubel
dc.contributor.author	Junco Aranciaga, Antonio Gabriel
dc.date.accessioned	2024-01-12T19:47:02Z
dc.date.available	2024-01-12T19:47:02Z
dc.date.issued	2023
dc.description.abstract	Para está investigación se recopiló información socioeconómica y de percepción de 372 contribuyentes de Tingo María mediante encuestas telefónicas. Se efectuó un análisis descriptivo y se evaluó la influencia de estos factores en la clasificación de tipo de pagador ‘No pagador’, ‘Impuntual’ y ‘Pagador’, mediante la prueba de Chi2 , estos datos recogidos se usaron para entrenar los modelos de Machine Learning que incluyeron Árbol de Decisión, SVM, KNN, Naive Bayes, Ensemble y RNN, y se midieron las métricas de exactitud, precisión, sensibilidad y Puntuación F1. Se aplicó una validación cruzada k-fold de 10 pliegues y se optimizaron hiperparámetros. Las diferencias en el rendimiento de los modelos se determinaron mediante ANOVA de Friedman y pruebas post hoc de Nemenyi. Como resultados, los factores socioeconómicos y percepciones influyeron notablemente en la clasificación de los contribuyentes (p-valor < 0.01). En la predicción, los modelos KNN y RNN destacaron con exactitudes de 97.04% ± 0.30 y 96.89% ± 0.14. Para la precisión, RNN lideró en "No Pagadores" con 93.85 ± 0.25 y KNN en "Impuntuales" con 99.10 ± 0.12, mientras que Naive Bayes sobresalió en "Pagadores" con 99.90 ± 0.04. En sensibilidad, RNN tuvo 95.55 ± 0.31 en "No Pagadores" y 99.92 ± 0.04 en "Pagadores"; KNN logró 95.67 ± 0.05 en "Impuntuales". Para la puntuación F1, KNN y RNN tuvieron los mejores resultados en "No Pagadores" con 99.13 ± 0.15 y en "Pagadores" con 99.73 ± 0.15, respectivamente. Mediante el ANOVA de Friedman, se concluye que existen diferencias significativas (p-valor < 0.01) entre los algoritmos en la evaluación de pagadores de impuestos	es_PE
dc.format	application/pdf	es_PE
dc.identifier.uri	https://hdl.handle.net/20.500.14292/2634
dc.language.iso	spa	es_PE
dc.publisher	Universidad Nacional Agraria de la Selva	es_PE
dc.publisher.country	PE	es_PE
dc.rights	info:eu-repo/semantics/openAccess	es_PE
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_PE
dc.source	Universidad Nacional Agraria de la Selva	es_PE
dc.source	Repositorio Institucional - UNAS	es_PE
dc.subject	Machine Learning	es_PE
dc.subject	Impuesto predial	es_PE
dc.subject	Métricas de rendimiento	es_PE
dc.subject	Friedman	es_PE
dc.subject	Factores socioeconómicos	es_PE
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#1.02.01	es_PE
dc.title	Evaluación comparativa en el desempeño de modelos de machine learning en la predicción de pagadores del impuesto predial de la ciudad de Tingo María para el año 2019	es_PE
dc.type	info:eu-repo/semantics/bachelorThesis	es_PE
renati.advisor.dni	40524211
renati.advisor.orcid	https://orcid.org/0000-0001-7305-4577	es_PE
renati.author.dni	43555098
renati.discipline	612296	es_PE
renati.juror	Vega Ventocilla, Edwin Jesús	es_PE
renati.juror	Ibarra Zapata, Ronald	es_PE
renati.juror	Pando Soto, Brian	es_PE
renati.level	http://purl.org/pe-repo/renati/nivel#tituloProfesional	es_PE
renati.type	http://purl.org/pe-repo/renati/type#tesis	es_PE
thesis.degree.discipline	Ingeniería en Informática y Sistemas	es_PE
thesis.degree.grantor	Universidad Nacional Agraria de la Selva. Facultad de Ingeniería en Informática y Sistemas	es_PE
thesis.degree.name	Ingeniero en Informática y Sistemas	es_PE