Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Vásquez, E., (2023). Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning [Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/20960
Vásquez, E., Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning []. PE: Universidad Nacional Mayor de San Marcos; 2023. https://hdl.handle.net/20.500.12672/20960
@mastersthesis{renati/322694,
title = "Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning",
author = "Vásquez Cieza, Edilberto",
publisher = "Universidad Nacional Mayor de San Marcos",
year = "2023"
}
Title: Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning
Authors(s): Vásquez Cieza, Edilberto
Advisor(s): Mauricio Sánchez, David Santos
Keywords: Inteligencia artificial; Nuevas empresas; Predicciones
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.02.00
Issue Date: 2023
Institution: Universidad Nacional Mayor de San Marcos
Abstract: Diseña un método y un modelo predictivo del éxito de las Startups de tecnología de información (TI),
basado en técnicas de Machine Learning que permita predecir el éxito de las Startups
de TI con tasas de precisión superior a los modelos existentes.
El método consta
de 4 procesos, un modelo híbrido y un inventario de 79 factores críticos de éxito,
además, es aplicable a cualquier ciudad o región. El método es aplicado a una base
de datos de 265 Startups de TI de Australia con 7 algoritmos de ML (SVM,
Perceptron Muli-layer, Decision Tree, Naive Bayes, KNN, Radom Forest y Gradient
Boosting) y 3 modelos híbridos basados en la estrategia de Votación, asimismo, el
algoritmo GreedyStepWise para reducir los factores. Los resultados muestran que el
método permite obtener modelos de pronóstico con mejores resultados para los
algoritmos, en promedio, incrementa la precisión en 11.69 %, la especificidad en
3.25 % y la exactitud en 21.75 %, pero, en general, el modelo híbrido proporciona
mejores resultados alcanzando una exactitud ideal del 100 %. GreedyStepWise
permite identificar 5 factores (size startup, company revenue, r&d, financial capital
and global economic enviroment) con los que se obtiene, a través de SVM y los
modelos híbridos, pronóstico con precisión del 82 % y exactitud del 88 %.
Link to repository: https://hdl.handle.net/20.500.12672/20960
Discipline: Ingeniería de Sistemas e Informática con mención en Ingeniería de Software
Grade or title grantor: Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería de Sistemas e Informática. Unidad de Posgrado
Grade or title: Magíster en Ingeniería de Sistemas e Informática con mención en Ingeniería de Software
Juror: León Fernández, Cayo Víctor; Sobero Rodríguez, Fany Yexenia; Fermín Pérez, Félix Armando
Register date: 10-Jan-2024
This item is licensed under a Creative Commons License