Buscar en Google Scholar
Título: Modelo predictivo para la deserción de estudiantes en el primer año de estudio en la Universidad Nacional Santiago Antúnez de Mayolo, Huaraz – 2022
Asesor(es): Flores Chacón, Erick Giovanny
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 13-dic-2022
Institución: Universidad Nacional Santiago Antúnez de Mayolo
Resumen: La presente tesis denominada “Modelo predictivo para la deserción de estudiantes en el primer año de estudio en la universidad nacional Santiago Antúnez de Mayolo, Huaraz – 2022” tuvo como objetivo general determinar mediante un modelo predictivo la deserción de estudiantes en el primer año de estudio en la Universidad Nacional Santiago Antúnez de Mayolo - 2022. La metodología fue de tipo longitudinal, con enfoque cuantitativo, nivel de investigación explicativo, con diseño pre experimental, la población fue conformada por los casos de estudio de cada estudiante que ingreso entre los semestres 2010-I al 2019-I que en total fueron 6440 casos de estudio y la muestra fue censal dado que necesario la mayor cantidad de datos para realizar los análisis de predicción. Dando como resultado que Gradient Boosting fue le mejor modelo y obtuvo 94% de precisión, 86% de sensibilidad, 90% en el score F1, 95% de accuracy, 75.12% en el score R-cuadrado de la data de entrenamiento y 70.09% en el score R2- cuadrado de la data de test. Llegando a concluir que con la aplicación de algoritmos de machine learning se puede tener la predicción de la deserción de estudiantes en su primer año de estudio
Disciplina académico-profesional: Ingeniería de Sistemas e Informática
Institución que otorga el grado o título: Universidad Nacional Santiago Antúnez de Mayolo. Facultad de Ciencias
Grado o título: Ingeniero de Sistemas e Informática
Jurado: Flores Chacón, Erick Giovanny; Trejo Flores, Wilfredo Manuel; Medina Villacorta, Alberto Martín
Fecha de registro: 14-feb-2023; 14-feb-2023



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons