Modelo Predictivo de Regalías Mineras aplicando Técnicas de Analítica Predictiva con R
Palabras clave:
modelo, predictivo, analítica predictiva, regalía minera, toma de decisión, árboles de decisión, k-vecinos más cercanos, random forest, redes neuronales, crisp-dmResumen
El presente trabajo de investigación hace referencia a la carencia de patrones de comportamiento que permitan tener un análisis integral de la información de la regalía minera, formulándose la siguiente pregunta de investigación ¿Cuál es la incidencia de un modelo predictivo de regalías mineras a través de técnicas de analítica predictiva, en el nivel de incertidumbre de la toma de decisiones gerenciales u operativas? Consecuentemente el objetivo de la investigación, es desarrollar un modelo predictivo de regalías mineras a través de técnicas de analítica predictiva para reducir el nivel de incertidumbre en la toma de decisiones gerenciales u operativas. Para ello se implementa el prototipo del modelo predictivo de regalías mineras utilizando técnicas de analítica predictiva con la metodología CRISP-DM, utilizando datos de regalías mineras y las variables que forman parte de su cálculo delimitada a cuatro minerales. El análisis de información y creación de modelos predictivos es realizado con el lenguaje de programación R, se valida el resultado de los modelos aplicando el método de validación cruzada de k-iteraciones o k-fold cross validation, y se selecciona el modelo que se ajusta mejor a los datos en base a las métricas de evaluación.
Descargas
Citas
E. P. d. Bolivia, Ley Nº 535 de Minería y Metalurgia, 2014.
IBM, «Analítica Predictiva,» [En línea]. Available: https://www.ibm.com/es-es/analytics/predictive-analytics.
M. Rouse, «Tech Target,» Abril 2017. [En línea]. Available: https://searchdatacenter.techtarget.com/es/definicion/Analitica-predictiva-o-analisis-predictivo.
Berastegui A. G. y Galar I. M., «Implementación del algoritmo de los k vecinos más cercanos (k-NN) y estimación del mejor valor local de k para su cálculo,» Pamplona, 2018.
J. Alarcón, «Modelos de minería de datos: random forest y adaboost, para identificar los factores asociados al uso de las TIC (internet, telefonía Fija y televisión de paga) en los hogares del Perú. 2014,» 2017. [En línea]. Available: https://cybertesis.unmsm.edu.pe/bitstream/handle/cybertesis/7404/Alarcon_fj.pdf?sequence=3&isAllowed=y.
S. Haykin, Neural Networks: A Comprehensive Foundation, Prentice-Hall, 2007.
Santana S., Farfán E., «El arte de programar en R: un lenguaje para la estadística,» 27 Noviembre 2014. [En línea]. Available: https://cran.r-project.org/doc/contrib/Santana_El_arte_de_programar_en_R.pdf.
Hernández, R., Fernández, C. y Baptista M. P., Metodología de la Investigación, México: Mc Graw Hill, 2010.
IBM Corporation, «Guía de CRISP-DM de IBM SPSS Modeler,» 1994-2019. [En línea]. Available: https://www.ibm.com/support/ knowledgecenter/es/SS3RA7_sub/modeler_crispdm_ddita/clementine/crisp_help/crisp_modeling_phase.html.
M. Suárez, Interaprendizaje Holístico de Matemática, Quito-Ecuador, 2004.
D. Martínez, «Metodología para el diseño de Dashboards orientado hacia el registro de evidencias en el proceso de evaluaciones institucionales,» 24 Julio 2017. [En línea]. Available: https://reunir.unir.net/bitstream/handle/123456789/6171/MARTINEZ%20ROBALINO%2C%20DANIEL%20ANDRES.pdf?sequence=1&isAllowed=y.
Microsoft Power BI, «Power BI,» 2019. [En línea]. Available: https://powerbi.microsoft.com/es-es/
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Distribución - Ajustes de distribución - Licencia - Términos de la licencia