Acceso usuarios
Henry Alejandro López, Bryan Marcelo Barragán
En Ecuador durante el año 2020 la pobreza aumentó un 32,7%, este dramático aumento se debe al desempleo y la pandemia. Ante esta situación, las personas tienen la oportunidad de recibir un incentivo monetario denominado “Bono de Desarrollo Humano”. El propósito de este trabajo es contribuir al desarrollo de un modelo que clasifique a quienes se beneficiarán de este bono mediante una comparación de rendimiento. Estos modelos son: máquinas de soporte vectorial y XG Boosting. Para la obtención de los resultados se utilizaron datos de la encuesta ENEMDU. Los resultados favorecen al algoritmo SVM que obtiene una mayor precisión (0,9469) con respecto a la versión XG Boosting (0.90), sin embargo, en la métrica de tiempo de ejecución el XG Boosting resulta mas eficiente con 0.49 segundos frente a los 14.98 minutos del algoritmo SVM. La conclusión final es que el mejor modelo para la clasificación de bonos es XG Boosting, presentando una precisión sobresaliente frente al tiempo de ejecución.
In Ecuador during the year 2020 poverty increased 32.7%, this dramatic increase is due to unemployment and the pandemic. Given this situation, people have the opportunity to receive a monetary incentive called “Bono de Desarrollo Humano” (Human Development Bonus). The purpose of this paper is to contribute to the development of a model that classifies those who will benefit from this bonus through a performance comparison. These models are: support vector machines and XG Boosting. Data from the ENEMDU survey were used to obtain the results. The results favor the SVM algorithm that obtains a higher accuracy (0.9469) with respect to the XG Boosting version (0.90), however, in the execution time metric the XG Boosting is more efficient with 0.49 seconds versus 14.98 minutes for the SVM algorithm. The final conclusion is that the best model for bond classification is XG Boosting, presenting outstanding accuracy versus execution time.
