Imagen citada en el texto como referencia para la portada

DOI:

https://doi.org/10.14483/22487638.22094

Publicado:

2024-10-27

Número:

Vol. 28 Núm. 79 (2024): Enero - Marzo

Sección:

Investigación

Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}

Aplicación de machine learning para predicciones de datos dependientes consecutivos de tipo {[(a, b)->c]->d}

Autores/as

Palabras clave:

algorithms, datasets, decision trees, Python, prediction, scikit-learn, linear regression (en).

Palabras clave:

algoritmos, datasets, árboles de decisión, Python, scikit-learn, regresión lineal (es).

Resumen (en)

Objective: Machine learning techniques have emerged in response to the desire for automatic pattern detection withindatasets in fields such as statistics, mathematics, and data analytics. They allow for the extraction of relevant informationfrom datasets of significantly large volumes, providing the possibility of making predictions. This paper presents an application focused on decision trees, linear regression, and random forest regression algorithms to predict final data fromconsecutive dependent data of type {[(a, b) → c] → D}.

Methodology: The study adopts a quantitative research design, which takes as input datasets based on interval data. It utilizes a correlational research model by implementing Python and its Scikit-Learn library, which includes various algorithms for prediction. Specifically, we compare the application of decision trees, linear regression, and random forest regression on the same set of datasets, but with a characteristic of dependency between them.

Results: Upon application of the proposed model, it yields an estimated prediction score, which indicates the accuracy of the model concerning the data provided.

Conclusions: The application of a complex algorithm does not inherently guarantee a higher rate of accuracy. Conversely, configuring the model correctly, training multiple trees, or adjusting parameter values can significantly enhance the obtained results

Resumen (es)

Objetivo: Las técnicas de Machine Learning surgen como una respuesta al deseo de detectar automáticamente patrones en un conjunto de datos (datasets) en campos como la estadística, la matemática y la analítica de datos, permitiendo extraer información relevante de datasets de volúmenes significativamente grandes y realizar predicciones. Éste artículo presenta una aplicación enfocada en los algoritmos de árboles de decisión, regresión lineal y regresión aleatoria de tipo bosque para predecir un dato final a partir de datos dependientes consecutivos de tipo {[(a, b) → c] → D}.

Metodología: Se parte de un diseño de investigación cuantitativo, que toma como insumo unos datasets basados en datos de intervalo, establecidos en un modelo de investigación correlacional al aplicar Python y su librería Scikit-learn. Esta biblioteca incluye diferentes algoritmos que pueden ser utilizados para realizar predicciones. En este caso, se compara la aplicación de árboles de decisión, regresión lineal y regresión aleatoria de tipo bosque sobre un mismo grupo de datasets, pero que tienen una característica de dependencia entre ellos.

Resultados: Cuando se aplica el modelo propuesto, este genera un puntaje estimado de la predicción, el cual indica la precisión del modelo respecto a los datos entregados.

Conclusiones: La aplicación de un algoritmo complejo no garantiza un mayor índice de precisión; por el contrario, configurar de manera correcta el modelo, entrenando múltiples árboles o cambiando los valores de los parámetros mejora en gran medida los resultados obtenidos

Biografía del autor/a

Diego Alexander Quevedo Piratova, Fundación Universitaria Compensar

Magister en Tecnología Educativa, Maestría en Medios Innovadores para la Educación. Licenciado en Diseño Tecnológico, estudiante de ingeniería de sistemas. Profesor investigador de la Escuela de Ingeniería de la Fundación Universitaria Compensar. Bogota Colombia

Jhon Uberney Londoño Villalba, Corporación Unificada Nacional de Educación Superior

Magíster en Gestión de Tecnología Educativa, Especialista en Entornos Virtuales de Aprendizaje. Licenciado en Diseño Tecnológico, estudiante de ingeniería de sistemas. Profesor investigador del grupo de investigación AXON adscrito al programa de ingeniería de sistemas de la escuela de ingeniería de la Corporación Unificada Nacional de Educación Superior CUN. Bogota Colombia.

Arnaldo Andres Gonzalez Gomez, Corporación Unificada Nacional de Educación Superior

Ingeniero Electrónico egresado de la Universidad Distrital Francisco José de Caldas, con especialidad en Análisis de Datos. Profesor investigador del grupo de investigación AXON adscrito al programa de ingeniería de sistemas de la escuela de ingeniería de la Corporación Unificada Nacional de Educación Superior CUN. Bogota Colombia.

Referencias

Bell, J. (2015). Machine learning Hands-On for Developers and Technical Professionals. Indiana: Wiley.

Breiman, L. (2001). Random Forest. California. University of California. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

Cardona, D., Rivera, M., González, J., & Cárdenas, E. (2014). Estimación y predicción con el modelo de regresión cúbica aplicado a un problema de salud. Ingenieria Solidaria, 10(17). https://doi.org/10.16925/in.v9i17.828

Díaz Martínez, Z., Fernández Menéndez, J., & Segovia Vargas, J. (2004). Sistemas de inducción de reglas y árboles de decisión aplicados a la predicción de insolvencias en empresas aseguradoras. Departamento de Economía Financiera y Contabilidad / Departamento de Organización de Empresas. Madrid: Universidad Complutense de Madrid. https://eprints.ucm.es/id/eprint/6833/

Feurer, M., & Hutter, F. (2019). Hyperparameter Optimization. In Automated Machine Learning (pp. 3-33). Springer. https://doi.org/10.1007/978-3-030-05318-5

García ruiz de León, M., Mira McWilliams, J. M., & Ahrazem Dfuf, I. (2018). Análisis de sensibilidad mediante Random Forest. Madrid: Universidad Politécnica de Madrid.

Hinestroza Ramírez, D., & Cárdenas, J. M. (2018). El Machine Learning a través de los tiempos, y los aportes a la humanidad. Pereira: Universidad Libre.

Maisueche Cuadrado, A. (2019). Utilización del Machine Learning en la industria 4.0. Valladolid: Universidad de Valladolid. Escuela de Ingenierías Industriales. http://uvadoc.uva.es/handle/10324/37908

Maisueche Cuadrado, A. (2019). Montero Granados, R. (2016). Modelos de regresión lineal múltiple. Granada, España: Universidad de Granada. http://www.ugr.es/~montero/matematicas/regresion_lineal.pdf

Segura Cardona, A. M. (2012). Aplicación de árboles de decisión en la salud pública (Implementation of decision trees in public health) (Aplicação de árvores de decisão em saúde pública). Revista CES salud pública, 3(1), 94-103. http://dx.doi.org/10.21615/2140

Song, Y.-Y.,& Ying, L. (2015). Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry, 27(2), 130-135. https://doi.org/10.11919/j.issn.1002-0829.215044

Cómo citar

APA

Quevedo Piratova, D. A., Londoño Villalba, J. U., y Gonzalez Gomez, A. A. (2024). Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}. Tecnura, 28(79), 66–86. https://doi.org/10.14483/22487638.22094

ACM

[1]
Quevedo Piratova, D.A. et al. 2024. Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}. Tecnura. 28, 79 (oct. 2024), 66–86. DOI:https://doi.org/10.14483/22487638.22094.

ACS

(1)
Quevedo Piratova, D. A.; Londoño Villalba, J. U.; Gonzalez Gomez, A. A. Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}. Tecnura 2024, 28, 66-86.

ABNT

QUEVEDO PIRATOVA, Diego Alexander; LONDOÑO VILLALBA, Jhon Uberney; GONZALEZ GOMEZ, Arnaldo Andres. Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}. Tecnura, [S. l.], v. 28, n. 79, p. 66–86, 2024. DOI: 10.14483/22487638.22094. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/22094. Acesso em: 9 dic. 2024.

Chicago

Quevedo Piratova, Diego Alexander, Jhon Uberney Londoño Villalba, y Arnaldo Andres Gonzalez Gomez. 2024. «Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}». Tecnura 28 (79):66-86. https://doi.org/10.14483/22487638.22094.

Harvard

Quevedo Piratova, D. A., Londoño Villalba, J. U. y Gonzalez Gomez, A. A. (2024) «Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}», Tecnura, 28(79), pp. 66–86. doi: 10.14483/22487638.22094.

IEEE

[1]
D. A. Quevedo Piratova, J. U. Londoño Villalba, y A. A. Gonzalez Gomez, «Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}», Tecnura, vol. 28, n.º 79, pp. 66–86, oct. 2024.

MLA

Quevedo Piratova, Diego Alexander, et al. «Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}». Tecnura, vol. 28, n.º 79, octubre de 2024, pp. 66-86, doi:10.14483/22487638.22094.

Turabian

Quevedo Piratova, Diego Alexander, Jhon Uberney Londoño Villalba, y Arnaldo Andres Gonzalez Gomez. «Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}». Tecnura 28, no. 79 (octubre 27, 2024): 66–86. Accedido diciembre 9, 2024. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/22094.

Vancouver

1.
Quevedo Piratova DA, Londoño Villalba JU, Gonzalez Gomez AA. Application of machine learning for predictions of consecutive dependent data of type {[(a, b)->c]->d}. Tecnura [Internet]. 27 de octubre de 2024 [citado 9 de diciembre de 2024];28(79):66-8. Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/22094

Descargar cita

Visitas

94

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.

##plugins.generic.pfl.publicationFactsTitle##

Metric
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.peerReviewers## 
2.4 promedio

##plugins.generic.pfl.reviewerProfiles##  N/D

##plugins.generic.pfl.authorStatements##

##plugins.generic.pfl.authorStatements##
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.dataAvailability## 
##plugins.generic.pfl.dataAvailability.unsupported##
##plugins.generic.pfl.averagePercentYes##
##plugins.generic.pfl.funders## 
##plugins.generic.pfl.funders.no##
32% con financiadores
##plugins.generic.pfl.competingInterests## 
N/D
##plugins.generic.pfl.averagePercentYes##
Metric
Para esta revista
##plugins.generic.pfl.otherJournals##
##plugins.generic.pfl.articlesAccepted## 
Artículos aceptados: 19%
33% aceptado
##plugins.generic.pfl.daysToPublication## 
##plugins.generic.pfl.numDaysToPublication##
145

Indexado: {$indexList}

    ##plugins.generic.pfl.indexedList##
##plugins.generic.pfl.editorAndBoard##
##plugins.generic.pfl.profiles##
##plugins.generic.pfl.academicSociety## 
Universidad Distrital Francisco José de Caldas
Loading...