Staff View: Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales...

Full description

Bibliographic Details
Main Authors:	Idrisovich Ismagilov, Ilyas, Ilshatovna Sabirova, Ajgul, Vladimirovna Kataseva, Dina, Sergeevich Katasev, Alexey
Format:	Article
Published:	Universidad Nacional de Ingeniería 2020
Subjects:	710 Urbanismo & arte del paisaje
Online Access:	http://ribuni.uni.edu.ni/4819/1/ricardo%2C%2B31.%2BCollection%2Bscoring%2Bmodels%2Bdevelopment%2Band%2Bresearch%2Bbased%2Bon%2Bthe%2BDeductor%2Banalytical%2Bplatform.%2Besf.pdf

id	4819
recordtype	eprints
spelling	48192023-02-08T23:44:55Z Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey 710 Urbanismo & arte del paisaje Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales de los modelos fueron un conjunto de 14 columnas y 5779 filas. La construcción de los modelos se realizó en plataforma Deductor. Cada modelo fue probado en el conjunto de 462 registros. Para todos los modelos se construyó la correspondiente matriz de clasificación y se calcularon los errores de 1º y 2º tipo, así como el error general de los modelos. En términos de minimizar estos errores, la regresión logística mostró los peores resultados y la red neuronal mostró los mejores. Además, se evaluó la efectividad de los modelos construidos según criterios de «ingresos» y «tiempo». Por el tiempo que cuesta el modelo de regresión logística supera a otros modelos. Sin embargo, en términos de ingresos, el modelo de red neuronal fue el mejor. Así, los resultados mostraron que para minimizar el tiempo dedicado al trabajo con los deudores es recomendable utilizar un modelo logístico. Sin embargo, para maximizar las ganancias y minimizar los errores de clasificación, es apropiado utilizar un modelo de red neuronal. Esto indica su eficacia y posibilidad de uso práctico en sistemas de puntuación inteligentes. Universidad Nacional de Ingeniería 2020-12 Article PeerReviewed text http://ribuni.uni.edu.ni/4819/1/ricardo%2C%2B31.%2BCollection%2Bscoring%2Bmodels%2Bdevelopment%2Band%2Bresearch%2Bbased%2Bon%2Bthe%2BDeductor%2Banalytical%2Bplatform.%2Besf.pdf http://revistas.uni.edu.ni/index.php/Nexo Idrisovich Ismagilov, Ilyas and Ilshatovna Sabirova, Ajgul and Vladimirovna Kataseva, Dina and Sergeevich Katasev, Alexey (2020) Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor. Nexo Revista Científica, 33 (2). pp. 608-615. ISSN 1995-9516 http://ribuni.uni.edu.ni/4819/
institution	Universidad Nacional de Ingenieria
collection	Repositorio Institucional-RIBUNI
topic	710 Urbanismo & arte del paisaje
spellingShingle	710 Urbanismo & arte del paisaje Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
description	Este artículo resuelve el problema de la construcción e investigación de modelos de puntuación de colecciones. Se destaca la relevancia de resolver este problema sobre la base de las tecnologías de modelado inteligente: árboles de decisión, regresión logística y redes neuronales. Los datos iniciales de los modelos fueron un conjunto de 14 columnas y 5779 filas. La construcción de los modelos se realizó en plataforma Deductor. Cada modelo fue probado en el conjunto de 462 registros. Para todos los modelos se construyó la correspondiente matriz de clasificación y se calcularon los errores de 1º y 2º tipo, así como el error general de los modelos. En términos de minimizar estos errores, la regresión logística mostró los peores resultados y la red neuronal mostró los mejores. Además, se evaluó la efectividad de los modelos construidos según criterios de «ingresos» y «tiempo». Por el tiempo que cuesta el modelo de regresión logística supera a otros modelos. Sin embargo, en términos de ingresos, el modelo de red neuronal fue el mejor. Así, los resultados mostraron que para minimizar el tiempo dedicado al trabajo con los deudores es recomendable utilizar un modelo logístico. Sin embargo, para maximizar las ganancias y minimizar los errores de clasificación, es apropiado utilizar un modelo de red neuronal. Esto indica su eficacia y posibilidad de uso práctico en sistemas de puntuación inteligentes.
format	Article
author	Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey
author_facet	Idrisovich Ismagilov, Ilyas Ilshatovna Sabirova, Ajgul Vladimirovna Kataseva, Dina Sergeevich Katasev, Alexey
author_sort	Idrisovich Ismagilov, Ilyas
title	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_short	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_full	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_fullStr	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_full_unstemmed	Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor
title_sort	desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica deductor
publisher	Universidad Nacional de Ingeniería
publishDate	2020
url	http://ribuni.uni.edu.ni/4819/1/ricardo%2C%2B31.%2BCollection%2Bscoring%2Bmodels%2Bdevelopment%2Band%2Bresearch%2Bbased%2Bon%2Bthe%2BDeductor%2Banalytical%2Bplatform.%2Besf.pdf
_version_	1809198702272708608
score	11.129828

Desarrollo e investigación de modelos de puntuación de colecciones basados en la plataforma analítica Deductor

Similar Items