Presentacion de Modelado Predictivo para Reducción de Retiro de Asignaturas.pptx

modelo predictivo para la reduccion de retiro de asignatura utesa mao
, Base datos, no sql

1. Modelado Predictivo para Reducción de Retiro de Asignaturas en UTESA Comparativa de algoritmos supervisados y no supervisados Robert Rodriguez

2. Introducción Desarrollar 2 modelos supervisados avanzados ( XGBoost y Red Neuronal). Evaluar métricas y seleccionar el mejor modelo. Implementar un modelo no supervisado (K- Means ). Extraer conclusiones estratégicas . Datos: Histórico académico de estudiantes UTESA (asistencia, índice académico, retiros previos). Enfoque: Modelado predictivo + segmentación.

3. Algoritmos Supervisados Evaluados

4. Modelo 1: XGBoost (Árbol de Decisión Optimizado) Manejo de desbalanceo, interpretabilidad, eficiencia. Hiperparámetros : XGBClassifier ( scale_pos_weight =5.67, max_depth =5, learning_rate =0.1)

5. Modelo 2: Red Neuronal ( TensorFlow / Keras ) Arquitectura Sequential ([ Dense(64, activation='relu'), Dropout(0.3), Dense(32, activation='relu'), Dense(1, activation=' sigmoid ') ])

6. Métricas Comparativas Métrica XGBoost Red Neuronal Precisión 0.85 0.83 Recall 0.89 0.87 F1-Score 0.87 0.85 ROC-AUC 0.92 0.90 Tiempo Ejecución 12s 45s

7. Selección Final: XGBoost  (Mayor rendimiento global + velocidad).

8. Modelo No Supervisado (K- Means ) Identificar patrones ocultos sin usar la variable objetivo. Proceso : Preprocesamiento: Estandarización de features numéricos. Determinación de clusters : Método del codo (k=3). Resultados:

9. Cluster Asistencia Índice Retiros Previos Interpretación 92% 3.2 0.1 Excelente rendimiento 1 58% 1.8 1.8 Alto riesgo 2 75% 2.5 0.5 Riesgo moderado Validación: Silhouette Score = 0.62 (Estructura robusta).

10. Conclusiones

11. Recomendaciones