Look-up in Google Scholar
Full metadata record
Gutiérrez Cárdenas, Juan Manuel
Escobedo Neyra, María Cielo
Tapia Aquino, Cynthia Lizet
2024-12-12T14:41:55Z
2024-12-12T14:41:55Z
2024
Escobedo Neyra, M. C., & Tapia Aquino, C. L. (2024). Comparativa de modelos de regresión a fin de predecir el crimen en zonas de alto riesgo de la ciudad de Lima [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21714 (es_PE)
https://hdl.handle.net/20.500.12724/21714
La delincuencia sigue siendo un problema en Lima Metropolitana, Perú, que afecta a la sociedad. Este artículo tiene como objetivo analizar los delitos contra la propiedad y reconocer la falta de estudios para predecir estos crímenes. Para solucionar este problema, se utilizan técnicas de regresión como Extra Tree, XGBoost, Bag, AdaBoost, Support Vector y Random Forest. Mediante GridSearchCV se optimizan los hiperparámetros para mejorar los resultados de la investigación. El modelo de Extra Tree Regression muestra un coeficiente de determinación (R2) de 0,79, y se evalúan métricas de error como el error cuadrático medio de la raíz (MSE), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). Este enfoque considera patrones temporales de delincuencia para resolver la incertidumbre y combatir la inseguridad ciudadana. (es_PE)
In Metropolitan Lima, Peru, crime is still an issue that has an impact on society. The purpose of this paper is to examine property crimes and acknowledge the paucity of research on their predictiveness. Regression approaches including Extra Tree, XGBoost, Bag, AdaBoost, Support Vector, and Random Forest are utilized to overcome this issue. The study outcomes are enhanced by optimizing the hyperparameters with GridSearchCV. Error measures including mean absolute error (MAE), root mean square error (RMSE), and root mean square error (MSE) are assessed for the Extra Tree Regression model, which has a coefficient of determination (R2) of 0.79. This strategy resolves ambiguity and counteracts citizen uneasiness by taking temporal trends of crime into account. (en_EN)
application/pdf
spa
Universidad de Lima
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Repositorio Institucional Ulima
Universidad de Lima
Pendiente (en_EN)
Pendiente (es_PE)
Comparativa de modelos de regresión a fin de predecir el crimen en zonas de alto riesgo de la ciudad de Lima (es_PE)
info:eu-repo/semantics/bachelorThesis
Universidad de Lima. Facultad de Ingeniería
Ingeniería de Sistemas
Titulo profesional
Ingeniero de Sistemas
PE
https://purl.org/pe-repo/ocde/ford#2.02.04
http://purl.org/pe-repo/renati/level#tituloProfesional
29515539
https://orcid.org/0000-0003-2566-4690
71272446
74432590
612076
Nina Hanco, Hernán
Irey Núñez, Jorge Luis
Ramírez Cerna, Lourdes
https://purl.org/pe-repo/renati/type#tesis
Privada asociativa



This item is licensed under a Creative Commons License Creative Commons