Análisis comparativo de Adaptive Boosting y Decision Tree para predecir la morosidad de cuotas sociales del colegio de ingenieros del Perú consejo departamental Lambayeque

• Autor: Silva Parraguez, Máximo Gabriel
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/9149
• Enlace del recurso: https://hdl.handle.net/20.500.12802/9149
• Nivel de acceso: acceso abierto
• Materia: Incumplimiento de Pago; Morosidad; Adaptive Boosting; Adaboost; Arbol de Decisión; C5.0; Aprendizaje Automático; http://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación lleva como título “ANÁLISIS COMPARATIVO DE ADAPTIVE BOOSTING Y DECISION TREE PARA PREDECIR LA MOROSIDAD DE CUOTAS SOCIALES DEL COLEGIO DE INGENIEROS DEL PERÚ CONSEJO DEPARTAMENTAL LAMBAYEQUE” tuvo como finalidad emplear y comparar dos algoritmos de predicción, las cuales fueron Adaptive Boosting (AdaBoost) y Árbol de Decisiones (Decision Tree), para llegar a la conclusión de conocer que algoritmo es más eficiente para predecir o pronosticar la morosidad. El interés por la presente investigación surge porque hasta el momento, si bien hay estudios parecidos al presente trabajo, los resultados finales no son iguales para todos, es decir, en cada uno de los estudios, la técnica que mejor se comporta siempre depende de los datos y por ende al tipo de estudio que se esta realizando, entonces surge así el interés de saber cual de ambas técnicas se comportará mas eficientemente en el pronóstico de morosidad en el Colegio de Ingenieros CD Lambayeque. Entonces, para poder determinar que técnica es la mejor, se evaluó la exactitud, sensibilidad, especificidad y la curva ROC, y se empleó el desarrollo de ETL para la extracción de los datos de los colegiados y sus pagos respetivos por cada mes, y se tomaron los datos mas representativos después de varios análisis, todo esto para que sean correctamente procesados por las técnicas, y así obtener resultados apropiados, para que la toma de decisiones sea lo más certera posible. Al realizar todo el proceso del método propuesto se obtuvieron como resultados que ambas técnicas aplicadas al conjunto de datos asignados son muy parecidos, pero con una pequeña mejora en la técnica de Decision Tree contra Adaboost, con 86.73% contra 86.71%, además cabe destacar que Decision Tree tardo en promedio 0.70 segundos, contra 2.49 segundos de Adaboost. Por lo tanto, se llegó a la conclusión de que haciendo uso de la herramienta R donde fueron Implementados ambas técnicas, se demostró de que Decisión Tree ganó por poco a Adaboost en Accuracy.