Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV
La puntuación de clientes potenciales desempeña un papel crucial en el marketing al evaluar el nivel de interés y compromiso de posibles clientes. Las técnicas de aprendizaje automático ofrecen un medio para automatizar los procesos de puntuación de clientes potenciales, permitiendo a los profesiona...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2023
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881545234789171200 |
|---|---|
| author | Maquera Canales, Jorge Daniel |
| author2 | Saboya Rios, Nemias |
| author_browse | Maquera Canales, Jorge Daniel Saboya Rios, Nemias |
| author_facet | Saboya Rios, Nemias Maquera Canales, Jorge Daniel |
| author_sort | Maquera Canales, Jorge Daniel |
| collection | Repositorio institucional |
| description | La puntuación de clientes potenciales desempeña un papel crucial en el marketing al evaluar el nivel de interés y compromiso de posibles clientes. Las técnicas de aprendizaje automático ofrecen un medio para automatizar los procesos de puntuación de clientes potenciales, permitiendo a los profesionales del marketing priorizar sus esfuerzos y asignar recursos de manera efectiva. Sin embargo, el rendimiento de los modelos de aprendizaje automático depende en gran medida de la configuración de sus hiperparámetros. Los métodos de optimización tradicionales pueden ser ineficientes y no lograr explorar eficazmente el espacio de hiperparámetros de alta dimensionalidad. En este estudio, proponemos un enfoque novedoso que utiliza la optimización bayesiana de hiperparámetros para mejorar la predicción de conversión de clientes en el ámbito del e-learning. Al aprovechar las estadísticas bayesianas y un modelo probabilístico, nuestro método explora eficientemente el espacio de hiperparámetros para identificar configuraciones óptimas que maximizan el rendimiento del modelo. Consideramos los algoritmos de aprendizaje automático Extreme Gradient Boosting, Support Vector Machine, Random Forest, Logistic Regression y Decision Tree, y comparamos los algoritmos optimizados con sus versiones base en términos de precisión, sensibilidad, puntuación F1 y el área bajo la curva característica de operación del receptor (AUC). Los resultados demostraron que los algoritmos optimizados superaron consistentemente a sus versiones base. Nuestra investigación destaca la importancia de la optimización de hiperparámetros para lograr un rendimiento óptimo del modelo de aprendizaje automático y proporciona información valiosa para los profesionales del marketing en la industria del e-learning. Al aprovechar los algoritmos optimizados, las organizaciones pueden tomar decisiones basadas en datos, maximizar las tasas de conversión y optimizar las estrategias de marketing. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/6975 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Inteligencia artificial |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Computación y ciencias de la información |
| ocde_str_mv | 1.02.01 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2023 |
| publishDateRange | 2023 |
| publishDateSort | 2023 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV Maquera Canales, Jorge Daniel Saboya Rios, Nemias Puntuación de clientes potenciales E-learning Optimización bayesiana La puntuación de clientes potenciales desempeña un papel crucial en el marketing al evaluar el nivel de interés y compromiso de posibles clientes. Las técnicas de aprendizaje automático ofrecen un medio para automatizar los procesos de puntuación de clientes potenciales, permitiendo a los profesionales del marketing priorizar sus esfuerzos y asignar recursos de manera efectiva. Sin embargo, el rendimiento de los modelos de aprendizaje automático depende en gran medida de la configuración de sus hiperparámetros. Los métodos de optimización tradicionales pueden ser ineficientes y no lograr explorar eficazmente el espacio de hiperparámetros de alta dimensionalidad. En este estudio, proponemos un enfoque novedoso que utiliza la optimización bayesiana de hiperparámetros para mejorar la predicción de conversión de clientes en el ámbito del e-learning. Al aprovechar las estadísticas bayesianas y un modelo probabilístico, nuestro método explora eficientemente el espacio de hiperparámetros para identificar configuraciones óptimas que maximizan el rendimiento del modelo. Consideramos los algoritmos de aprendizaje automático Extreme Gradient Boosting, Support Vector Machine, Random Forest, Logistic Regression y Decision Tree, y comparamos los algoritmos optimizados con sus versiones base en términos de precisión, sensibilidad, puntuación F1 y el área bajo la curva característica de operación del receptor (AUC). Los resultados demostraron que los algoritmos optimizados superaron consistentemente a sus versiones base. Nuestra investigación destaca la importancia de la optimización de hiperparámetros para lograr un rendimiento óptimo del modelo de aprendizaje automático y proporciona información valiosa para los profesionales del marketing en la industria del e-learning. Al aprovechar los algoritmos optimizados, las organizaciones pueden tomar decisiones basadas en datos, maximizar las tasas de conversión y optimizar las estrategias de marketing. 2023-09-06 2023-11-07T22:10:53Z 2023-11-07T22:10:53Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/6975 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/es/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/6975 2026-11-10T22:57:48Z |
| spellingShingle | Puntuación de clientes potenciales E-learning Optimización bayesiana Maquera Canales, Jorge Daniel Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title_full | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title_fullStr | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title_full_unstemmed | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title_short | Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV |
| title_sort | optimizacion bayesiana de modelos de machine learning para mejorar la prediccion de clientes e learningv |
| topic | Puntuación de clientes potenciales E-learning Optimización bayesiana |
| topic_facet | Puntuación de clientes potenciales E-learning Optimización bayesiana |
| url | https://hdl.handle.net/20.500.12840/6975 |
| work_keys_str_mv | AT maqueracanalesjorgedaniel optimizacionbayesianademodelosdemachinelearningparamejorarlapredicciondeclienteselearningv |