Machine learning con boosting sobre la percepción del servicio de internet en Perú

• Autores: Gutierrrez Beltran, Alejandro Luis Javier, Fernandez Blanco, Arnold
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/8961
• Enlace del recurso: https://hdl.handle.net/20.500.12840/8961
• Nivel de acceso: acceso embargado
• Materia: Calidad del servicio de Internet; Percepción del usuario; Aprendizaje automático; Metamodelo de clasificación; http://purl.org/pe-repo/ocde/ford#2.02.04

El acceso a Internet de calidad es esencial para el desarrollo social y económico, pero el Perú aún tiene grandes brechas en el conocimiento de sus servicios. Este estudio propone un metamodelo de aprendizaje automático basado en el aumento de la integración para clasificar los patrones de calidad percibida de servicio de Internet residencial en Perú. Se preprocesaron 129,352 registros utilizando datos del INEI utilizando SMOTE para equilibrar categorías y seleccionar variables claves relacionadas con satisfacción, calidad, demora y servicio al cliente. Los modelos utilizados incluyen XGBoost, LightGBM, Random Foresty Logistic Regresion. Los resultados muestran que el metamodelo propuesto mejora significativamente la precisión en comparación con un modelo único con un AUC promedio al 80%. Este enfoque no sólo identifica patrones de percepción de los usuarios recomendaciones prácticas para los operadores de telecomunicaciones, enfatizando la necesidad de optimizar la infraestructura y reducir la brecha digital del país.