Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting

Descripción del Articulo

Desarrolla un modelo de predicción de calidad de servicio a través de indicadores de atención utilizando métodos híbridos de selección como el Recursive Feature Elimination (RFE), Shrinkaje L1 L2 y extreme gradient boosting (XGBoost), lográndose obtener una Precisión de hasta el 93.75%, una Exactitu...

Descripción completa

Detalles Bibliográficos
Autor: Huaquipaco Encinas, Saúl
Formato: tesis de maestría
Fecha de Publicación:2022
Institución:Universidad Nacional Mayor de San Marcos
Repositorio:UNMSM-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.unmsm.edu.pe:20.500.12672/18207
Enlace del recurso:https://hdl.handle.net/20.500.12672/18207
Nivel de acceso:acceso abierto
Materia:Predicciones
Calidad
https://purl.org/pe-repo/ocde/ford#2.02.05
id UNMS_6f33e98d3cdda674f0182fb59d4dabf0
oai_identifier_str oai:cybertesis.unmsm.edu.pe:20.500.12672/18207
network_acronym_str UNMS
network_name_str UNMSM-Tesis
repository_id_str 410
dc.title.none.fl_str_mv Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
title Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
spellingShingle Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
Huaquipaco Encinas, Saúl
Predicciones
Calidad
https://purl.org/pe-repo/ocde/ford#2.02.05
title_short Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
title_full Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
title_fullStr Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
title_full_unstemmed Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
title_sort Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
author Huaquipaco Encinas, Saúl
author_facet Huaquipaco Encinas, Saúl
author_role author
dc.contributor.advisor.fl_str_mv Chavez Irazabal, Wilbert
dc.contributor.author.fl_str_mv Huaquipaco Encinas, Saúl
dc.subject.none.fl_str_mv Predicciones
Calidad
topic Predicciones
Calidad
https://purl.org/pe-repo/ocde/ford#2.02.05
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.05
description Desarrolla un modelo de predicción de calidad de servicio a través de indicadores de atención utilizando métodos híbridos de selección como el Recursive Feature Elimination (RFE), Shrinkaje L1 L2 y extreme gradient boosting (XGBoost), lográndose obtener una Precisión de hasta el 93.75%, una Exactitud de hasta el 88.89% , una Sensibilidad de hasta el 92.86% y un puntaje F1 de hasta 88.31% además de una reducción de variables de hasta el 53.3%.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-06-10T16:35:16Z
dc.date.available.none.fl_str_mv 2022-06-10T16:35:16Z
dc.date.issued.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.citation.none.fl_str_mv Huaquipaco, S. (2022). Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting. [Tesis de maestría, Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería Electrónica y Eléctrica, Unidad de Posgrado]. Repositorio institucional Cybertesis UNMSM.
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12672/18207
identifier_str_mv Huaquipaco, S. (2022). Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting. [Tesis de maestría, Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería Electrónica y Eléctrica, Unidad de Posgrado]. Repositorio institucional Cybertesis UNMSM.
url https://hdl.handle.net/20.500.12672/18207
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos
dc.source.none.fl_str_mv Repositorio de Tesis - UNMSM
Universidad Nacional Mayor de San Marcos
reponame:UNMSM-Tesis
instname:Universidad Nacional Mayor de San Marcos
instacron:UNMSM
instname_str Universidad Nacional Mayor de San Marcos
instacron_str UNMSM
institution UNMSM
reponame_str UNMSM-Tesis
collection UNMSM-Tesis
bitstream.url.fl_str_mv https://cybertesis.unmsm.edu.pe/bitstreams/9375d927-5e2c-436e-b204-8cb5cf018335/download
https://cybertesis.unmsm.edu.pe/bitstreams/a1b27788-119c-4f50-9d4d-f13f3b90ce73/download
https://cybertesis.unmsm.edu.pe/bitstreams/30c7c8c7-82a2-4028-9780-d08cfb06e72f/download
https://cybertesis.unmsm.edu.pe/bitstreams/21f6f996-3270-4e55-ae2a-d5871874bb2f/download
bitstream.checksum.fl_str_mv 4fafd75e22a74b90c6b8ca2f0357abdb
8a4605be74aa9ea9d79846c1fba20a33
08f6402fb81558e13a2c166018d57b47
9d5476de2a2024b6ac06939163995fcd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Cybertesis UNMSM
repository.mail.fl_str_mv cybertesis@unmsm.edu.pe
_version_ 1841547089199235072
spelling Chavez Irazabal, WilbertHuaquipaco Encinas, Saúl2022-06-10T16:35:16Z2022-06-10T16:35:16Z2022Huaquipaco, S. (2022). Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting. [Tesis de maestría, Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería Electrónica y Eléctrica, Unidad de Posgrado]. Repositorio institucional Cybertesis UNMSM.https://hdl.handle.net/20.500.12672/18207Desarrolla un modelo de predicción de calidad de servicio a través de indicadores de atención utilizando métodos híbridos de selección como el Recursive Feature Elimination (RFE), Shrinkaje L1 L2 y extreme gradient boosting (XGBoost), lográndose obtener una Precisión de hasta el 93.75%, una Exactitud de hasta el 88.89% , una Sensibilidad de hasta el 92.86% y un puntaje F1 de hasta 88.31% además de una reducción de variables de hasta el 53.3%.application/pdfspaUniversidad Nacional Mayor de San MarcosPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Repositorio de Tesis - UNMSMUniversidad Nacional Mayor de San Marcosreponame:UNMSM-Tesisinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMPrediccionesCalidadhttps://purl.org/pe-repo/ocde/ford#2.02.05Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boostinginfo:eu-repo/semantics/masterThesisSUNEDUMagíster en Dirección Estratégica de las TelecomunicacionesUniversidad Nacional Mayor de San Marcos. Facultad de Ingeniería Electrónica y Eléctrica. Unidad de PosgradoDirección Estratégica de las Telecomunicaciones08121733https://orcid.org/0000-0002-7978-703143237458613027Benites Saravia, Nicanor RaúlMoreno Paredes, Carlos AlbertoSotelo López, Carlos AlbertoPortillo Allende, Arlich Joelhttps://purl.org/pe-repo/renati/level#maestrohttps://purl.org/pe-repo/renati/type#tesis10189914012925770701725910125495ORIGINALHuaquipaco_es.pdfHuaquipaco_es.pdfapplication/pdf1942812https://cybertesis.unmsm.edu.pe/bitstreams/9375d927-5e2c-436e-b204-8cb5cf018335/download4fafd75e22a74b90c6b8ca2f0357abdbMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://cybertesis.unmsm.edu.pe/bitstreams/a1b27788-119c-4f50-9d4d-f13f3b90ce73/download8a4605be74aa9ea9d79846c1fba20a33MD52TEXTHuaquipaco_es.pdf.txtHuaquipaco_es.pdf.txtExtracted texttext/plain101411https://cybertesis.unmsm.edu.pe/bitstreams/30c7c8c7-82a2-4028-9780-d08cfb06e72f/download08f6402fb81558e13a2c166018d57b47MD55THUMBNAILHuaquipaco_es.pdf.jpgHuaquipaco_es.pdf.jpgGenerated Thumbnailimage/jpeg16001https://cybertesis.unmsm.edu.pe/bitstreams/21f6f996-3270-4e55-ae2a-d5871874bb2f/download9d5476de2a2024b6ac06939163995fcdMD5620.500.12672/18207oai:cybertesis.unmsm.edu.pe:20.500.12672/182072024-08-16 01:02:28.175https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://cybertesis.unmsm.edu.peCybertesis UNMSMcybertesis@unmsm.edu.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
score 12.861096
Modelo de clasificación y predicción multivariable de calidad de servicio mediante indicadores de atención utilizando métodos híbridos de selección de variables y extreme gradient boosting
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares