Mostrar el registro sencillo del ítem
Machine Learning para predecir el riesgo crediticio de un cliente en la Empresa FUTECH PERU S.A.C, 2022
dc.contributor.advisor | Quiñones Nieto, Yamil Alexander | |
dc.contributor.author | Yaranga Vite, Italo Paul | |
dc.date.accessioned | 2022-12-26T17:57:31Z | |
dc.date.available | 2022-12-26T17:57:31Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12692/104048 | |
dc.description.abstract | En el presente trabajo de investigación se utilizó los modelos de Machine Learning para predecir el riesgo crediticio de los clientes de una empresa en estudio, se utilizó la metodología KDD, así mismo herramientas como SPSS statistic y SPSS Modeler para el uso de los modelos predictivo. El objetivo de esta investigación es determinar en qué porcentaje Machine Learning permite predecir el riesgo crediticio de los clientes con precisión, sensibilidad y especificidad, con el fin de poder identificar a los clientes con probabilidad de alto o bajo riesgo crediticio. En esta investigación se utilizó una población de 500 clientes, así mismo se usó la totalidad de la población como muestra. Por otro lado, el estudio es de tipo aplicada, con un diseño de investigación experimental de tipo preexperimental de un solo grupo, ya que luego de aplicar Machine Learning se podrá observar los resultados y realizar la medición. Como resultado en relación a los indicadores de precisión, sensibilidad y especificidad para los algoritmos Support Vector Machine,Random Forest,Naibes Bayes, K Nearest Neighbor, Decision Tree, se valida que Machine Learning permite predecir el riesgo crediticio de los clientes de la empresa de estudio, así mismo el algoritmo con mejores resultados para esta casuística fue Support Vector Machine con un valor de 99,8%. | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad César Vallejo | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | es_PE |
dc.source | Repositorio Institucional - UCV | es_PE |
dc.source | Universidad César Vallejo | es_PE |
dc.subject | Riesgo crediticio | es_PE |
dc.subject | Inteligencia artificial | es_PE |
dc.subject | Sistemas de información en administración | es_PE |
dc.title | Machine Learning para predecir el riesgo crediticio de un cliente en la Empresa FUTECH PERU S.A.C, 2022 | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas | es_PE |
thesis.degree.grantor | Universidad César Vallejo. Facultad de Ingeniería y Arquitectura | es_PE |
thesis.degree.name | Ingeniero de Sistemas | es_PE |
dc.description.sede | Lima Norte | es_PE |
dc.description.escuela | Escuela de Ingeniería de Sistemas | es_PE |
dc.description.lineadeinvestigacion | Sistemas de información y comunicaciones | es_PE |
renati.advisor.dni | 42863390 | |
renati.advisor.orcid | https://orcid.org/0000-0003-4474-0556 | es_PE |
renati.author.dni | 40245171 | |
renati.discipline | 612076 | es_PE |
renati.juror | Quinteros Navarro, Dino Michael | |
renati.juror | Sánchez Atuncar, Giancarlo | |
renati.juror | Quiñones Nieto, Yamil Alexander | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
dc.publisher.country | PE | es_PE |
dc.description.lig | Desarrollo sostenible, emprendimientos y responsabilidad social. | es_PE |
dc.description.rsu | Desarrollo económico, empleo y emprendimiento | es_PE |
dc.description.ods | Industria, innovación e infraestructura | es_PE |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(es)
-
Lima Norte [1401]