El trabajo analiza la construcción y evaluación de modelos predictivos para estimar el rendimiento logístico regional a partir de datos socioeconómicos. Basado en el trabajo previo (Tapia, Palma, and Forradellas 2023), que proponía un modelo de regresión lineal utilizando el Logistics Performance Index (LPI) y el PBI per cápita de la población económicamente activa (PBIPEA), este estudio amplía el análisis incorporando métodos de analítica de datos: árboles de decisión y redes neuronales. Para ello se conforma una base de datos con información internacional proveniente del World Bank, Enterprise Survey, Transparencia Internacional, FactbookCIA y el World Economic Forum. Se realiza un análisis exploratorio, correlacional y de componentes principales, seguido de técnicas de clustering (Clara, Agnes y Ward) para evaluar la reproducibilidad de los grupos definidos en (Tapia, Palma, and Forradellas 2023). Posteriormente se entrenan modelos predictivos, destacándose una alta precisión del modelo de árboles de decisión (89%) en la clasificación de grupos y un buen rendimiento del modelo de redes neuronales para la predicción del LPI (correlación del 82%). Finalmente, se estima el rendimiento logístico de las regiones de Mendoza mediante estos modelos y se comparan las predicciones con los valores obtenidos originalmente por regresiones lineales, verificándose una correlación aceptable entre ambos enfoques. Palabras claves: LPI, predicción, modelos.

3D plot clustering k-means (k=5) con target Alfa

Cafe Borinquen

An exploratory data analysis of the Anderson 1928 Data

Pós Graduação em Ciência de Dados e Big Data - Visualização de dados

For class purposes