La delincuencia sigue siendo un problema en Lima Metropolitana, Perú, que afecta a la sociedad. Este artículo tiene como objetivo analizar los delitos contra la propiedad y reconocer la falta de estudios para predecir estos crímenes. Para solucionar este problema, se utilizan técnicas de regresión como Extra Tree, XGBoost, Bag, AdaBoost, Support Vector y Random Forest. Mediante GridSearchCV se optimizan los hiperparámetros para mejorar los resultados de la investigación. El modelo de Extra Tree Regression muestra un coeficiente de determinación (R2) de 0,79, y se evalúan métricas de error como el error cuadrático medio de la raíz (MSE), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). Este enfoque considera patrones temporales de delincuencia para resolver la incertidumbre y combatir la inseguridad ciudadana.

Crime continues to be an issue, in Metropolitan Lima, Peru affecting society. Our focus is on property crimes. We recognized the lack of studies on predicting these crimes. To tackle this problem, we used regression techniques such as XGBoost, Extra Tree, Support Vector, Bagging, Random Forest and AdaBoost. Through GridsearchCV we optimized hyperparameters to enhance our research findings. The results showed that Extra Tree Regression stood out as the model with an R2 value of 0.79. Additionally, error metrics like MSE (185.43) RMSE (13.62) and MAE (10.47) were considered to evaluate the model's performance. Our approach considers time patterns in crime incidents. Contributes, to addressing the issue of insecurity in a meaningful way.