Portada local
Evaluación comparativa en el desempeño de modelos de machine learning en la predicción de pagadores del impuesto predial de la ciudad de Tingo María para el año 2019 / presentado por Antonio Gabriel Junco Aranciaga ; [Hubel Solis Bonifacio, asesor]
Tipo de material:
TextoIdioma: Español Lenguaje original: Español Editor: Tingo María, Perú : Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023Descripción: [11], 71 hojas : ilustraciones (color), tablas (blanco y negro), figuras (color) ; 30 cm + 1 CD-ROMTipo de contenido: - texto impreso
- sin mediación
- volumen
- 22 006.31
Contenidos parciales:
Nota de disertación: Tesis (Ingeniería)--Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023. Resumen: La evasión fiscal y el retraso en el pago de impuestos son problemas persistentes a nivel mundial que afectan la mejora de ingresos y la prestación de servicios sociales. En contextos locales, como en la ciudad de Tingo María, estos problemas se manifiestan de manera más aguda. Según los datos de la Municipalidad Provincial de Leoncio Prado, de los 12,821 contribuyentes registrados, 8,269 no pagan sus impuestos y 187 pagan con retraso, lo que representa una pérdida significativa de ingresos para la municipalidad. Para abordar esta problemática, se implementó una metodología de clasificación de pagadores basada en la recopilación de información socioeconómica y de percepción a través de encuestas telefónicas. Se seleccionó una muestra de 372 contribuyentes, distribuida equitativamente entre las categorías de pagadores puntuales, impuntuales y no pagadores. Los datos recopilados se sometieron a un análisis descriptivo utilizando un mapa de calor y la prueba de Chi², revelando una evaluación significativa entre el ingreso económico y la puntualidad en el pago de impuestos. Para mejorar la identificación temprana de contribuyentes impuntuales o no pagadores, se evaluaron seis modelos de Machine Learning en términos de exactitud, precisión y sensibilidad. Los modelos de K-Nearest Neighbors (KNN) y Redes Neuronales (RNN) demostraron ser los más precisos, con una exactitud superior al 97%. Estos hallazgos sugieren que las autoridades fiscales podrían utilizar estos modelos para tomar medidas proactivas y prevenir la evasión fiscal. Además, se recomienda la inclusión de más variables socioeconómicas y de percepción para mejorar aún más la precisión de estos modelos. La implementación de estas recomendaciones podría permitir a las autoridades fiscales optimizar sus recursos, mejorar la recaudación de impuestos y, en última instancia, mejorar la prestación de servicios sociales en la ciudad de Tingo María.
Introducción : Objetivos general. Objetivos específicos -- Revisión de literatura : Marco teórico. Estado del arte -- Metodología : Tipo y nivel de investigación. Población y muestra. Hipótesis. Variables de investgación. Operacionalización de variables. Herramientas de recolección de datos. Metodología -- Resultados y discusión : Descripción e influencia de características. Evaluación de la exactitud. Evaluación de la precisión. Evaluación del recall. Puntuación F1 o desempeño -- Conclusión -- Referencias bibliográficas -- Anexos.
| Imagen de cubierta | Tipo de ítem | Biblioteca actual | Biblioteca de origen | Colección | Ubicación en estantería | Signatura topográfica | Materiales especificados | Info Vol | URL | Copia número | Estado | Notas | Fecha de vencimiento | Código de barras | Reserva de ítems | Prioridad de la cola de reserva de ejemplar | Reservas para cursos | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Tesis
|
BIBLIOTECA CENTRAL Banco de Investigación | T-SIS 006.31 8522 J95 2023 (Navegar estantería(Abre debajo)) | 1 | Disponible | Préstamo en sala | 0024182 |
Total de reservas: 0
Introducción : Objetivos general. Objetivos específicos -- Revisión de literatura : Marco teórico. Estado del arte -- Metodología : Tipo y nivel de investigación. Población y muestra. Hipótesis. Variables de investgación. Operacionalización de variables. Herramientas de recolección de datos. Metodología -- Resultados y discusión : Descripción e influencia de características. Evaluación de la exactitud. Evaluación de la precisión. Evaluación del recall. Puntuación F1 o desempeño -- Conclusión -- Referencias bibliográficas -- Anexos.
Tesis (Ingeniería)--Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023.
No hay comentarios en este titulo.
Iniciar sesión para colocar un comentario.
Haga clic en una imagen para verla en el visor de imágenes