Aplicación de técnicas de aprendizaje automático para disminuir las observaciones en las lecturas de medidores

Resumen

El siguiente trabajo consiste, en la búsqueda de solucionar inconveniente en la hora de tomar decisiones con las observaciones de lectura de los equipos de medición mediante técnicas de minería de datos. En la actualidad las técnicas de aprendizaje automático de diferentes algoritmos son herramientas muy utilizadas para la toma de decisiones en diferentes modelos de negocios.

Para este tipo de modelo de negocio se procede a utilizar las técnicas de algoritmo de Regresión Lineal de acuerdo al análisis de los objetivos del negocio. Estas técnicas se basan en tener datos cuantitativos para poder evaluar diferentes algoritmos supervisados, para el entrenamiento y evaluación de los modelos a utilizar, para con esto evaluar de acuerdo al error aceptable y el error cuadrático de menor impacto para la elección del modelo de las técnicas de aprendizaje automático.

En este proyecto se utilizó algoritmos para el aprendizaje supervisado como el de regresión lineal, el cual inicialmente se utilizó con todas las variables, y posterior fue reducido manualmente, también se utilizó la función STEP y RandomForest. Se investigó varias metodologías de minería de datos y la cual se las alineó de acuerdo al modelo de negocio es CRISP-DM.

Se generó un dashboard con la herramienta R Studio para visualizar el algoritmo seleccionado del error más bajo del algoritmo de STEP, donde se podrá observar los sectores con mayor cantidad de observaciones de lectura de los equipos de medición y tomar acciones en función de cada sector para disminuir las observaciones.