Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning
Ver/
Descargar
(application/pdf: 2.235Mb)
(application/pdf: 2.235Mb)
Fecha
2023Autor(es)
Vásquez Cieza, Edilberto
Metadatos
Mostrar el registro completo del ítemResumen
Diseña un método y un modelo predictivo del éxito de las Startups de tecnología de información (TI),
basado en técnicas de Machine Learning que permita predecir el éxito de las Startups
de TI con tasas de precisión superior a los modelos existentes.
El método consta
de 4 procesos, un modelo híbrido y un inventario de 79 factores críticos de éxito,
además, es aplicable a cualquier ciudad o región. El método es aplicado a una base
de datos de 265 Startups de TI de Australia con 7 algoritmos de ML (SVM,
Perceptron Muli-layer, Decision Tree, Naive Bayes, KNN, Radom Forest y Gradient
Boosting) y 3 modelos híbridos basados en la estrategia de Votación, asimismo, el
algoritmo GreedyStepWise para reducir los factores. Los resultados muestran que el
método permite obtener modelos de pronóstico con mejores resultados para los
algoritmos, en promedio, incrementa la precisión en 11.69 %, la especificidad en
3.25 % y la exactitud en 21.75 %, pero, en general, el modelo híbrido proporciona
mejores resultados alcanzando una exactitud ideal del 100 %. GreedyStepWise
permite identificar 5 factores (size startup, company revenue, r&d, financial capital
and global economic enviroment) con los que se obtiene, a través de SVM y los
modelos híbridos, pronóstico con precisión del 82 % y exactitud del 88 %.
Palabras clave
Coleccion(es)