Optimización Bayesiana en modelos de clasificación: Árbol de Decisión y Support Vector Machine para determinar mediante Minería de Datos patrones en los asesinatos de la Zona 8 del Ecuador

Abstract

Este estudio se centró en mejorar los modelos de minería de datos mediante técnicas como la Optimización Bayesiana, con el objetivo de encontrar los hiperparámetros adecuados para configurar los clasificadores Árbol de Decisión (DT) y Support Vector Machine (SVM), además, se enfocó en determinar patrones en los asesinatos ocurridos en la Zona 8 del Ecuador, siguiendo la metodología CRISP-DM, que incluye las fases de comprensión del negocio, comprensión de los datos, preparación del dataset, modelado, evaluación y despliegue. El modelo SVM, configurado específicamente con la librería Optuna, obtuvo los mejores resultados, alcanzando un 83,78% con la validación cruzada en las tres métricas clave que fueron precisión, accuracy y recall, mientras que al evaluarlo con sklearn.metrics, el modelo alcanzó un 84,12% para cada una de estas métricas; este modelo permitió identificar patrones significativos, como que el arma de fuego es la más utilizada en los asesinatos, estos crímenes ocurren principalmente en áreas urbanas mayormente en la vía pública, los días sábados y domingos entre las 19:00 pm y las 00:59 am, especialmente en los Distritos de Nueva Prosperina, Sur y Pascuales, en cuanto a las víctimas de los asesinatos suelen ser hombres que sí presentan antecedentes penales, en edades que van entre 20 y 50 años. Con estos patrones encontrados, se proporcionó información valiosa a los organismos encargados, lo que contribuyó a una mejor comprensión del fenómeno estudiado. Además, este estudio evidenció que la Optimización Bayesiana mejora considerablemente los modelos de clasificación al ajustar sus hiperparámetros, incrementando los porcentajes de rendimiento, como la precisión, exactitud, sensibilidad, y fortaleciendo así su aplicabilidad práctica.