Publicación:
Bestmodel: una nueva función en R para evaluar la capacidad predictiva de un modelo

Vista sencilla de ítem
dc.contributor.advisorCogollo Flórez, Myladis
dc.contributor.authorVelásquez Alemán, Elkin David
dc.contributor.juryMorales Rivera, Mario Alfonso
dc.contributor.juryMorales Ospina, Victor
dc.date.accessioned2024-12-12T03:25:32Z
dc.date.available2025-12-11
dc.date.available2024-12-12T03:25:32Z
dc.date.issued2024-12-11
dc.description.abstractEl objetivo de la investigación se fundamenta en desarrollar una nueva función en R que facilite el cálculo simultáneo y rápido de las métricas para modelos de pronóstico, como series de tiempo, modelos de regresión y redes neuronales, ofreciendo una alternativa más interactiva y fácil de usar. La función fue además comparada con otras herramientas disponibles, resaltando tanto sus ventajas como sus desventajas frente a otras funciones tradicionales, que calculan métricas de manera independiente. La propuesta busca mejorar la experiencia del usuario, permitiendo la automatización de la evaluación de modelos en tan solo pocas líneas de código, optimizando el proceso de análisis, reduciendo el esfuerzo y el tiempo requerido para interpretar los resultados de manera más rápida.spa
dc.description.abstractThe objective of the research is based on the development of a new function in R that facilitates the simultaneous and fast calculation of metrics for forecasting models, such as time series, regression models and neural networks, offering a more interactive and easy-to-use alternative. The function was also compared with other available tools, highlighting both its advantages and disadvantages compared to other traditional functions, which calculate metrics independently. The proposal seeks to improve the user experience, allowing the automation of model evaluation in just a few lines of code, optimizing the analysis process, reducing the effort and time required to interpret the results faster.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsResumenspa
dc.description.tableofcontentsAgradecimientosspa
dc.description.tableofcontentsIntroducciónspa
dc.description.tableofcontents1. Marco teóricospa
dc.description.tableofcontents1.1. Métricas de desempeño de modelosspa
dc.description.tableofcontents1.1.1. Métricas primariasspa
dc.description.tableofcontents1.1.2. Métricas ampliadasspa
dc.description.tableofcontents1.1.3. Métricas compuestasspa
dc.description.tableofcontents1.1.4 Métricas hibridasspa
dc.description.tableofcontents2. Estado del artespa
dc.description.tableofcontents3. Descripción de la función bestmodelspa
dc.description.tableofcontents3.1. Parámetros de entradaspa
dc.description.tableofcontents3.2. Especificación de funcipones generalesspa
dc.description.tableofcontents3.3 Selección del modo de ejecución de la funciónspa
dc.description.tableofcontents3.3.1. Modo automáticospa
dc.description.tableofcontents3.3.2. Modo manualspa
dc.description.tableofcontents3.4. Resultados obtenidos con la funciónspa
dc.description.tableofcontents4. Evaluación de la función bestmodelspa
dc.description.tableofcontents4.1. Modelos de Series de Tiempospa
dc.description.tableofcontents4.1.1. Descripción de los datosspa
dc.description.tableofcontents4.1.2. Especificación de los modelosspa
dc.description.tableofcontents4.2. Aplicación de la función bestmodelspa
dc.description.tableofcontents4.2.1. Aplicación de la función accuracyspa
dc.description.tableofcontents4.3. Modelos de Regresión Linealspa
dc.description.tableofcontents4.3.1. Descripción de los datosspa
dc.description.tableofcontents4.3.2. Especificación de los modelosspa
dc.description.tableofcontents4.4. Aplicación de la función bestmodelspa
dc.description.tableofcontents4.4.1. Aplicación accuracyspa
dc.description.tableofcontents4.5. Modelos de Redes neuronalesspa
dc.description.tableofcontents4.5.1. Descripción de los datosspa
dc.description.tableofcontents4.5.2. Especificación de los modelosspa
dc.description.tableofcontents4.6. Aplicación de la función bestmodelspa
dc.description.tableofcontents4.6.1. Aplicación de la función accuracyspa
dc.description.tableofcontentsConclusionesspa
dc.description.tableofcontentsBibliografíaspa
dc.description.tableofcontentsApéndicespa
dc.description.tableofcontentsA.1. Código de la función bestmodelspa
dc.description.tableofcontentsB.2. Código Rspa
dc.description.tableofcontentsIndice de figurasspa
dc.description.tableofcontents3.1. Esquema general de la función bestmodelspa
dc.description.tableofcontents3.2. Esquema del algoritmo de recomendaciónspa
dc.description.tableofcontents4.1. Evolución de ingresos de colombianos y extrangeros a lo largo del tiempospa
dc.description.tableofcontents4.2. Gráfico de cajas de los ingresos de colombianos y extrnajeros en el periodo 2008-2021spa
dc.description.tableofcontents4.3 Comportamiento de la función y diferenciación de la serie: ingresos de colombianos y extrnajeros en el periodo 2008-2021spa
dc.description.tableofcontents4.4. Desempeño general de los modelos de diferentes métricasspa
dc.description.tableofcontents4.5. Métricas segmentadas por categoriaspa
dc.description.tableofcontents4.6. Relación entre porcentaje el porcentaje de población con bajo socioeconómico y el precio mediano de la viviendaspa
dc.description.tableofcontents4.7. Desempeño general de los modelos en diferentes métricasspa
dc.description.tableofcontents4.8. Comparación de métricas por modelo y categoríaspa
dc.description.tableofcontents4.9. Conjunto de métricas primariasspa
dc.description.tableofcontentsIndice de tablasspa
dc.description.tableofcontents3.1. Esquema de la salida de la función bestmodelspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co/home
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8818
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programEstadística
dc.relation.referencesMyttenaere, A., Golden, B., Le Grand, B., y Rossi, F. (2016). Mean absolute percentage error for regression models. Neurocomputing, 192, 38-48. Descargado de https:// www.sciencedirect.com/science/article/pii/S0925231216003325 (Advances in artificial neural networks, machine learning and computational intelligence) doi: https:// doi.org/10.1016/j.neucom.2015.12.114
dc.relation.referencesaccuracy function - RDocumentation. (s.f.). Descargado de https://www.rdocumentation .org/packages/forecast/versions/8.4/topics/accuracy
dc.relation.referencesArmstrong, J. S., y Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International journal of forecasting, 8(1), 69–80
dc.relation.referencesBotchkarev, A. (2018). Evaluating performance of regression machine learning models using multiple error metrics in azure machine learning studio. SSRN Electronic Journal. Descargado de https://ssrn.com/abstract=3177507 doi: 10.2139/ssrn.3177507
dc.relation.referencesBotchkarev, A. (2019a). A new typology design of performance metrics to measure errors in machine learning regression algorithms. Interdisciplinary Journal of Information, Knowledge, and Management, 14, 045–076.
dc.relation.referencesBotchkarev, A. (2019b). A new typology design of performance metrics to measure errors in machine learning regression algorithms. Interdisciplinary Journal of Information, Knowledge, and Management, 14, 045–076
dc.relation.referencesChicco, D., Warrens, M. J., y Jurman, G. (2022). The coefficient of determination r-squared is more informative than smape, mae, mape, mse and rmse in regression analysis evaluation. PeerJ Computer Science, 14
dc.relation.referencesGonzález-Sopeña, J., Pakrashi, V., y Ghosh, B. (2021). An overview of performance evaluation metrics for short-term statistical wind power forecasting. Renewable and Sustainable Energy Reviews, 138, 110515. Descargado de https://www.sciencedirect.com/ science/article/pii/S1364032120308005 doi: https://doi.org/10.1016/j.rser.2020 .110515
dc.relation.referencesHodson, T. O. (2022). Root-mean-square error (rmse) or mean absolute error (mae): when to use them or not. Geosci. Model Dev., 15, 5481–5487. doi: 10.5194/gmd-15-5481-2022
dc.relation.referencesHyndman, A. B., Rob J. y Koehler. (2006). Otra mirada a las medidas de precisión de las previsiones. International Journal of Forecasting, 22(4), 679–688. doi: 10.1016/j.ijforecast .2006.03.001
dc.relation.referencesHyndman, R. J., y Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. Descargado de https:// www.sciencedirect.com/science/article/pii/S0169207006000239 doi: https://doi .org/10.1016/j.ijforecast.2006.03.001
dc.relation.referencesHyndman, R. J., y cols. (2006). Another look at forecast-accuracy metrics for intermittent demand. Foresight: The International Journal of Applied Forecasting, 4(4), 43–46
dc.relation.referencesKyriakidis, I., Kukkonen, J., Karatzas, K., Papadourakis, G., y Ware, A. (2015). New statistical indices for evaluating model forecasting performance. Skiathos Island, Greece.
dc.relation.referencesMakridakis, S., y Hibon, M. (1995). Evaluating accuracy (or error) measures. Insead Fontainebleau, France.
dc.relation.referencesPrediction intervals for NNETAR models – Rob J Hyndman. (s.f.). Descargado de https:// robjhyndman.com/hyndsight/nnetar-prediction-intervals/
dc.relation.referencesRaschka, S. (2018). Model evaluation, model selection, and algorithm selection in machine learning. arXiv preprint arXiv:1811.12808
dc.relation.referencesTaheri, S. M., y Ghavami, M. (2021). A new typology design of performance metrics to measure errors in machine learning regression algorithms. IEEE Access, 9, 34703–34716. doi: 10.1109/ACCESS.2021.3069027
dc.relation.referencesWagstaff, K. (2012). Machine learning that matters. doi: arXiv.org.https://arxiv.org/abs/1206.4656
dc.rightsCopyright Universidad de Córdoba, 2024
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_f1cf
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsMetricseng
dc.subject.keywordsForecastseng
dc.subject.keywordsModelseng
dc.subject.keywordsFunctioneng
dc.subject.keywordsAlgorithmeng
dc.subject.proposalMétricasspa
dc.subject.proposalPronósticospa
dc.subject.proposalModelosspa
dc.subject.proposalFunciónspa
dc.subject.proposalAlgoritmospa
dc.titleBestmodel: una nueva función en R para evaluar la capacidad predictiva de un modelospa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
VelasquezAlemánElkinDavid.pdf
Tamaño:
650.52 KB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Formato de autorización.pdf
Tamaño:
272.21 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.A. Trabajos de Investigación y/o Extensión