Look-up in Google Scholar
Full metadata record
Solis Bonifacio, Hubel
Junco Aranciaga, Antonio Gabriel
2024-01-12T19:47:02Z
2024-01-12T19:47:02Z
2023
https://hdl.handle.net/20.500.14292/2634
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)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional Agraria de la Selva (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by-nc-nd/4.0/ (es_PE)
Universidad Nacional Agraria de la Selva (es_PE)
Repositorio Institucional - UNAS (es_PE)
Machine Learning (es_PE)
Impuesto predial (es_PE)
Métricas de rendimiento (es_PE)
Friedman (es_PE)
Factores socioeconómicos (es_PE)
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)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Nacional Agraria de la Selva. Facultad de Ingeniería en Informática y Sistemas (es_PE)
Ingeniería en Informática y Sistemas (es_PE)
Ingeniero en Informática y Sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#1.02.01 (es_PE)
http://purl.org/pe-repo/renati/nivel#tituloProfesional (es_PE)
40524211
https://orcid.org/0000-0001-7305-4577 (es_PE)
43555098
612296 (es_PE)
Vega Ventocilla, Edwin Jesús (es_PE)
Ibarra Zapata, Ronald (es_PE)
Pando Soto, Brian (es_PE)
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública



This item is licensed under a Creative Commons License Creative Commons