Modelo de Clasificación de Incidencias

Vista previa del material en texto

MODELO DE CLASIFICACIÓN DE INCIDENCIAS UTILIZANDO 
APRENDIZAJE DE MÁQUINA PARA LA EMPRESA SIGMA INGENIERÍA S.A 
EN LA LÍNEA DE SOPORTE TÉCNICO 
 
 
 
MARÍA XIMENA ARIAS BARAHONA 
 
 
 
UNIVERSIDAD AUTÓNOMA DE MANIZALES 
FACULTAD DE INGENIERÍA 
MAESTRÍA EN INGENIERÍA 
MANIZALES 
2022 
 
MODELO DE CLASIFICACIÓN DE INCIDENCIAS UTILIZANDO APRENDIZAJE DE 
MÁQUINA PARA LA EMPRESA SIGMA INGENIERÍA S.A EN LA LÍNEA DE 
SOPORTE TÉCNICO 
 
Autora 
MARÍA XIMENA ARIAS BARAHONA 
Proyecto de grado para optar al título de Magíster en Ingeniería 
 
 
Director (a): 
Ph.D. Reinel Tabares Soto 
Codirectores: 
Ph.D. Simón Orozco Arias 
M.Sc. Juan Camilo Flórez 
 
 
UNIVERSIDAD AUTÓNOMA DE MANIZALES 
FACULTAD DE INGENIERÍA 
MAESTRÍA EN INGENIERÍA 
MANIZALES 
2022 
 
iii 
DEDICATORIA 
 
Le dedico todo mi esfuerzo y trabajo entregado para el desarrollo de esta tesis a mi familia, 
por ser el pilar más importante, por brindarme su amor incondicional y siempre creer en mí. 
A mi futuro esposo por su paciencia, por su comprensión, por su tiempo, por su apoyo en 
este proceso, por su amor, por ser tal y como es. 
 
 
iv 
AGRADECIMIENTOS 
 
Expreso mis agradecimientos a Reinel Tabares Soto, director de la tesis de maestría, por su 
apoyo incondicional, su tiempo y paciencia y su gran virtud de sacarme siempre de 
callejones sin salida. 
Agradezco a Simón Orozco Arias y Juan Camilo Flórez, Co-directores de mi tesis, por el 
tiempo dedicado y sus valiosos aportes al desarrollo del proyecto. 
Mis más sinceros agradecimientos al ingeniero Harold Brayan Arteaga Arteaga, por su 
apoyo incondicional en la ejecución de un sinfín de experimentos que permitió la 
publicación del artículo científico producto de la tesis y sus valiosos aportes al desarrollo de 
este trabajo. 
Agradezco a la Universidad Autónoma de Manizales, al programa de Maestría en 
Ingeniería y todos los docentes por permitirme crecer a nivel académico y permitirme haber 
llegado hasta este momento tan importante en mi formación profesional. 
Agradezco al equipo de SIGMA Ingeniería S.A; a Claudia Cuervo, Alejandra Restrepo y 
Mónica Cifuentes por todo su apoyo durante el proceso y a Mario Andrés Valencia por 
confiar en mí, por depositar una gran idea en mi mente que logramos hacer realidad y 
brindarme todo el apoyo para el desarrollo de este proyecto. 
Gracias a la empresa SIGMA Ingeniería S.A y al Fondo de Becas de Investigación 
Manizales + Innovadora, creado por la Alcaldía de Manizales y Manizales Campus 
Universitario que me apoyaron en la financiación de esta tesis. 
Agradezco a mi familia y a mi prometido por ser la fuente de inspiración y brindarme todo 
el apoyo durante los momentos más difíciles de este proceso. 
 
v 
RESUMEN 
 
La Inteligencia Artificial es uno de los componentes reconocidos por su potencial para 
transformar radicalmente el modo en el que vivimos actualmente. Hace posible que las 
máquinas aprendan de la experiencia, se ajusten a nuevas aportaciones y realicen tareas 
emulando a seres humanos. Esta investigación se centra en el ámbito empresarial y propone 
el desarrollo de un modelo computacional de clasificación de incidencias utilizando 
Aprendizaje Automático (ML por sus siglas en inglés) y Procesamiento de Lenguaje 
Natural (NLP por sus siglas en inglés) enfocado al área de soporte técnico en una empresa 
de desarrollo de software que actualmente resuelve los requerimientos de los clientes de 
forma manual. A través de técnicas de ML y NLP aplicadas a los datos de la empresa, es 
posible conocer la categoría de una solicitud dada por el cliente. Este proceso permite 
aumentar la satisfacción del cliente al revisar los registros históricos para analizar su 
comportamiento y proporcionar correctamente el protocolo de solución esperada a las 
incidencias presentadas. Además, reduce el coste y el tiempo dedicado a la gestión 
relacional con el consumidor potencial. Este modelo evalúa diferentes técnicas de ML 
como Máquinas de Vectores de Soporte (SVM por sus siglas en inglés), Árboles 
Adicionales, Bosques Aleatorios, Regresión Logística, Árboles de Decisión, Análisis 
Discriminante Lineal, Naïve Bayes y K Vecinos más cercanos. El algoritmo SVM entrega 
el mayor desempeño, con un 90.47% de exactitud, una precisión de 91.21%, un Recall de 
90.47% y un F1-Score de 90.29%, aplicando técnicas de preprocesamiento, balanceo de 
clases y optimización de hiperparámetros. 
Palabras clave: Procesamiento del lenguaje natural, Aprendizaje Automático, Servicio al 
cliente, Clasificación de requerimientos, Clasificación de texto. 
 
 
vi 
ABSTRACT 
Artificial Intelligence is one of the components recognized for its potential to transform the 
way we live today radically. It makes it possible for machines to learn from experience, 
adjust to new contributions and perform tasks like human beings. The business field is the 
focus of this research. This paper proposes to implement an incident classification model 
using Machine Learning (ML) and Natural Language Processing (NLP). The application 
focuses on the technical support area in a software development company that currently 
resolves customer requests manually. Through ML and NLP techniques applied to 
company data, it is possible to know the category of a request given by the client. It 
increases customer satisfaction by reviewing historical records to analyze their behavior 
and correctly provide the expected solution to the incidents presented. Also, this practice 
would reduce the cost and time spent on relationship management with the potential 
consumer. This work evaluates different Machine Learning models, such as Support Vector 
Machines (SVM), Extra Trees, Random Forests, Logistic Regression, Decision Trees, 
Linear Discriminant Analysis, Naïve Bayes y K-Nearest Neighbors. The SVM algorithm 
demonstrates the highest performance, with 90.47% accuracy, 91.21% precision, 90.47% 
Recall and 90.29% F1-Score, applying preprocessing, class balancing and hyperparameter 
optimization techniquess 
Keywords: Natural language processing, Machine learning, Consumer service, Requests 
classification, and Text classification. 
 
 
vii 
TABLA DE CONTENIDO 
 
1 PRESENTACIÓN .................................................................................................... 16 
2 ANTECEDENTES ................................................................................................... 18 
3 ÁREA PROBLEMÁTICA Y PREGUNTA DE INVESTIGACIÓN ....................... 24 
3.1 DESCRIPCIÓN DEL ÁREA PROBLEMÁTICA ................................................... 24 
3.2 HIPÓTESIS DE LA INVESTIGACIÓN .................................................................. 26 
3.3 FORMULACIÓN DEL PROBLEMA ..................................................................... 26 
4 JUSTIFICACIÓN ..................................................................................................... 26 
5 REFERENTE TEÓRICO ......................................................................................... 30 
5.1 REFERENTE CONCEPTUAL ................................................................................ 30 
5.2 REFERENTE NORMATIVO .................................................................................. 47 
5.3 REFERENTE CONTEXTUAL ................................................................................ 48 
6 OBJETIVOS ............................................................................................................. 52 
6.1 OBJETIVO GENERAL ............................................................................................ 52 
6.2 OBJETIVOS ESPECÍFICOS ................................................................................... 52 
7 METODOLOGÍA ..................................................................................................... 53 
7.1 ENFOQUE Y TIPO DE INVESTIGACIÓN ...........................................................53 
7.2 DISEÑO DE LA INVESTIGACIÓN ....................................................................... 53 
7.3 UNIDAD DE TRABAJO Y UNIDAD DE ANÁLISIS ........................................... 54 
7.4 INSTRUMENTOS DE RECOLECCIÓN, PROCEDIMIENTO Y TÉCNICAS ..... 55 
7.5 CARACTERIZACIÓN DE LA INFORMACIÓN BRINDADA DESDE 
TIMEWORK PARA PREPARAR LA LÍNEA BASE DE PRUEBA DE LOS 
 
viii 
MODELOS COMPUTACIONALES PROPUESTOS PARA ESTE TRABAJO. .. 56 
7.6 EVALUACIÓN DEL DESEMPEÑO DE LAS DIFERENTES TÉCNICAS DE 
APRENDIZAJE DE MÁQUINA APLICADAS AL PROCESAMIENTO DE 
TEXTO A PARTIR DE MODELOS DE REFERENCIA VALIDADOS BASADOS 
EN PROCESAMIENTO DE LENGUAJE NATURAL (NLP). .............................. 57 
7.7 IMPLEMENTACIÓN DE MODELO COMPUTACIONAL DE APRENDIZAJE 
DE MÁQUINA PARA LA CLASIFICACIÓN DE LOS TICKETS DE SERVICIO 
BRINDADOS POR TIMEWORK BASADOS EN TÉCNICAS DE 
APRENDIZAJE DE MÁQUINA Y PROCESAMIENTO DE LENGUAJE 
NATURAL. ..................................................................................................... 63 
7.8 VALIDACIÓN DEL FUNCIONAMIENTO DEL MODELO COMPUTACIONAL 
COMPARANDO LOS RESULTADOS OBTENIDOS CON EL JUICIO DE 
EXPERTOS DE LA ORGANIZACIÓN. ................................................................. 65 
8 RESULTADOS ........................................................................................................ 67 
8.1 RESULTADO OBJETIVO 1 ................................................................................... 67 
8.2 RESULTADO OBJETIVO 2 ................................................................................... 82 
8.3 RESULTADO OBJETIVO 3 ................................................................................... 96 
8.4 RESULTADO OBJETIVO 4 ................................................................................... 97 
9 DISCUSIÓN ........................................................................................................... 104 
10 CONCLUSIONES .................................................................................................. 106 
11 RECOMENDACIONES ......................................................................................... 108 
12 CONTRIBUCIONES ............................................................................................. 110 
13 REFERENCIAS ................................................................................................... 111 
 
 
 
ix 
LISTA DE ABREVIATURAS 
CM: Matriz de Confusión 
CR: Reporte de clasificación. 
CV: Validación Cruzada 
DP: Datos preprocesados 
DPB: Datos preprocesados y con balanceo 
DPBO: Datos preprocesados, con balanceo y con optimización de hiperparámetros 
DT: Árbol de Decisión 
EDA: Análisis exploratorio de datos 
ET: Árboles Adicionales 
IA: Inteligencia Artificial. 
KNN: K vecinos más cercanos 
LDA: Análisis discriminante lineal 
LR: Regresión Logística 
ML: Machine Learning. 
NB: Naive Bayes 
NLP: Procesamiento de lenguaje Natural 
OD: Datos Originales 
ODL: Datos Originales Limpios 
RF: Bosque Aleatorio 
ROC: curvas característica operativa del receptor 
SVM: Máquina de vectores de soporte 
 
x 
TC: Clasificación de Texto 
GLOSARIO 
TF-IDF: Frecuencia de términos – Frecuencia inversa del documento». 
Inteligencia Artificial (AI): la AI es un sistema computarizado que exhibe un 
comportamiento que comúnmente se considera que requiere inteligencia. En términos 
generales, es la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente 
programas de computadora inteligentes. Está relacionado con la tarea similar de usar 
computadoras para comprender la inteligencia humana, pero la AI no tiene que limitarse a 
métodos que son biológicamente observables [1]. 
Machine Learning (ML): el ML o Aprendizaje de Máquina es una rama en evolución de 
los algoritmos computacionales que están diseñados para emular la inteligencia humana 
aprendiendo del entorno circundante. Las técnicas basadas en el aprendizaje automático se 
han aplicado con éxito en diversos campos que van desde el reconocimiento de patrones, la 
visión por computadora, la ingeniería de naves espaciales, las finanzas, el entretenimiento y 
la biología computacional hasta las aplicaciones biomédicas y médicas [2]. 
Procesamiento de lenguaje Natural (NLP): el NLP es una rama de la AI que ayuda a las 
computadoras a entender, interpretar y manipular el lenguaje humano, toma elementos 
prestados de muchas disciplinas, incluyendo la ciencia de la computación y la lingüística 
computacional, en su afán por cerrar la brecha entre la comunicación humana y el 
entendimiento de las computadoras [3]. 
Timework: herramienta organizacional de SIGMA Ingeniería S.A que permite conocer, 
gestionar y controlar las solicitudes de los clientes. 
Geolúmina: consolida y sistematiza a empresas y concesiones de alumbrado, permitiendo 
dar cumplimiento al reglamento técnico de iluminación y alumbrado público en SIGMA 
Ingeniería S.A. 
 
xi 
Geoaseo: optimiza el ejercicio de las empresas de aseo en operaciones como rutas, 
recolección, barrido, entre otras variables en las ciudades y municipios de un país en 
SIGMA Ingeniería S.A. 
Geoambiental: herramienta tecnológica basada en información gerencial y geográfica que 
tiene como fin fortalecer los procesos y procedimientos de las organizaciones que gestionan 
el medio ambiente en SIGMA Ingeniería S.A. 
Categoría: clase que resulta de una clasificación de personas o cosas según un criterio o 
jerarquía 
Incidencias: requerimientos, solicitudes o eventos presentados en el área de servicio al 
cliente 
Exactitud (Accuracy): es la relación entre el número de predicciones correctas y el número 
total de muestras de entrada [4][5]. 
Precisión: es una métrica que cuantifica el número de predicciones positivas correctas 
realizadas [4]. 
Sensibilidad (Recall): es una métrica que cuantifica el número de predicciones positivas 
correctas realizadas a partir de todas las predicciones positivas que podrían haberse 
realizado [4]. 
Valor-F1 (F1-score): el valor F1 es la media armónica entre precisión y sensibilidad 
[4][5]. 
Matriz de confusión (CM): resume el número de predicciones realizadas por un modelo 
para cada clase y las clases a las que realmente pertenecen esas predicciones. Ayuda a 
comprender los tipos de errores de predicción que comete un modelo.[5] 
Informe de clasificación (CR): crea un informe de texto que muestra las principales 
métricas de clasificación, como precisión, Sensibilidad, Valor-F1 y soporte, este último es 
el número de ocurrencias de la clase dada en el conjunto de datos [6]. 
 
xii 
Curva ROC: constituye un método estadístico para determinar la exactitud diagnóstica de 
los datos etiquetados como test, siendo utilizadas con tres propósitos específicos: 
determinar el punto de corte de una escala continua en el que se alcanza la sensibilidad y 
especificidad más alta, evaluar la capacidad discriminativa que los datos de test tienen para 
diferenciar categorías y comparar la capacidad discriminativa de dos o más datos de test 
categorizados que expresan sus resultados como escalas continuas [7]. 
Balanceo al mayor o Sobremuestreo: el sobremuestreo se puede realizar aumentando la 
cantidad de instancias o muestras de clases minoritarias produciendo nuevas instancias o 
repitiendo algunas de ellas para igualar en cantidad a las clases con mayor cantidad de 
muestras [8]. 
Lematización: proceso que reduce la forma de una palabra y halla el lema correspondiente. 
El lema es la forma que por convenio se acepta como representante de todas las formas 
flexionadas de una misma palabra, de este modo se reduce el tamaño del conjunto de 
características inicial y unifica todas las palabras a su raíz o lema [9]. 
Stop Words: palabras sin significado que se eliminan como una tarea de preproceso [10]. 
Overffiting: es un problema fundamental en el aprendizaje automático supervisadoque nos 
impide generalizar perfectamente los modelos para que se ajusten bien a los datos 
observados en los datos de entrenamiento, así como a los datos no vistos en el conjunto de 
pruebas [11]. 
 
https://es.wikipedia.org/wiki/Lema_(ling%C3%BC%C3%ADstica)
 
xiii 
LISTA DE TABLAS 
Tabla 1. Diccionario de Datos ............................................................................................. 56 
Tabla 2. Categorías contenidas Timework junto con sus frecuencias ................................. 68 
Tabla 3. Medidas estadísticas de las OD a partir del conteo de palabras ............................ 70 
Tabla 4. 25 palabras más usadas en el campo de Descripción con “stop words”. ............... 72 
Tabla 5. Medidas estadísticas de las ODL a partir del conteo de palabras .......................... 73 
Tabla 6. 25 palabras más usadas en el campo de Descripción sin “stop words”. ................ 75 
Tabla 7. Diferencia en frecuencia de palabras entre OD y ODL ......................................... 76 
Tabla 8. Ejemplo de conteo de palabras para OD y ODL ................................................... 77 
Tabla 9. Unigramas/palabras claves por categoría. ............................................................ 78 
Tabla 10. Indicadores textuales asignados a las pruebas realizadas .................................... 83 
Tabla 11. Comparación de los resultados obtenidos entre los ocho algoritmos ML 
mediante Hold-out en cada una de las condiciones establecidas. Las entradas en negrilla 
indican los tres mejores resultados para cada experimento. ................................................. 84 
Tabla 12. Comparación de los resultados obtenidos mediante CV entre los ocho algoritmos 
ML en cada una de las condiciones establecidas. Las entradas en negrilla indican los 
resultados de los tres mejores algoritmos para cada experimento. ....................................... 95 
Tabla 13. Ejemplo de datos de la prueba piloto entregados por Timework ........................ 99 
Tabla 14. Comparación de desempeño del modelo computacional implantado en Timework 
VS la prueba piloto. ............................................................................................................ 102 
 
 
xiv 
LISTA DE FIGURAS 
Figura 1. Proceso para clasificación de texto. ..................................................................... 19 
Figura 2. Infografía de la escala de los niveles tecnológicos. ............................................. 30 
Figura 3. Estructura básica del DT. ..................................................................................... 33 
Figura 4. Estructura básica de un RF. ................................................................................. 34 
Figura 5. Concepto de una máquina de vectores de soporte de dos clases. ........................ 37 
Figura 6. Proceso de Estemizado ........................................................................................ 41 
Figura 7. Proceso de Lematización ..................................................................................... 42 
Figura 8. Proceso para balancear al mayor (Sobremuestreo) .............................................. 44 
Figura 9. Proceso para balancear al menor (Submuestreo) ................................................. 44 
Figura 10. Frecuencia por categoría a partir de bases de datos de Timework..................... 50 
Figura 11. Diseño metodológico de la investigación. ......................................................... 53 
Figura 12. Proceso de analítica de datos ............................................................................. 55 
Figura 13. Técnicas de NLP de pre-procesamiento y modelado. ........................................ 57 
Figura 14. Conjunto de experimentos para la aplicación de técnicas de ML ...................... 59 
Figura 15. Proceso a llevar a cabo para la clasificación de requerimientos. ....................... 61 
Figura 16. Pasos para la implementación del modelo computacional en la empresa.......... 63 
Figura 17. Proceso a realizar con el modelo computacional implementado en Timework. 64 
Figura 18. Validación de clasificación y predicción por medio del juicio de expertos....... 65 
Figura 19. Proceso de validación del modelo computacional ............................................. 66 
Figura 20. Gráfico de barras de cantidad de requerimientos por categoría ......................... 69 
Figura 21. Histograma de conteo de palabras para OD. ...................................................... 71 
Figura 22. Nube de palabras de las OD. .............................................................................. 72 
Figura 23. Histograma de conteo de palabras para ODL. ................................................... 73 
Figura 24. Nube de palabras de las ODL. ........................................................................... 76 
Figura 25. Diferencia en conteo de palabras para OD y ODL ............................................ 77 
Figura 26. Nube de palabras para categoría: Saltos de GPS (Descalibrado)....................... 80 
Figura 27. Nube de palabras para categoría: Lentitud en visor ........................................... 81 
 
xv 
Figura 28. Nube de palabras para categoría: Disminucion del desempeño de plataforma.. 82 
Figura 29. Reporte de clasificación para el experimento DPBO en SVM. ......................... 85 
Figura 30. Matriz de confusión para el experimento DPBO en SVM................................. 86 
Figura 31. Curva ROC para el experimento DPBO en SVM. ............................................. 87 
Figura 32. Reporte de clasificación para el experimento DPBO en ET. ............................. 88 
Figura 33. Matriz de confusión para el experimento DPBO en ET. ................................... 89 
Figura 34. Curva ROC para el experimento DPBO en ET. ................................................ 90 
Figura 35. Reporte de clasificación para el experimento DPBO en LR. ............................. 91 
Figura 36. Matriz de confusión para el experimento DPBO en LR. ................................... 92 
Figura 37. Curva ROC para el experimento DPBO en LR. ................................................ 93 
Figura 38. Módulo NLP en plataforma Timework. ............................................................. 97 
Figura 39. Prueba piloto del modelo computacional implantado en Timework. ................ 98 
Figura 40. Tabla de frecuencias de aciertos y desaciertos de la prueba piloto. ................. 101 
Figura 41. Porcentajes de aciertos y desaciertos de la prueba piloto en Timework. ......... 102 
16 
 
 
1 PRESENTACIÓN 
La Inteligencia Artificial (AI) es la ciencia y la ingeniería de la creación de máquinas que 
presenten capacidades semejantes al ser humano, está relacionada con la tarea similar de 
usar computadoras para comprender la inteligencia humana [12]. Uno de los campos de 
énfasis de la AI es el Machine Learning (ML) o Aprendizaje de Máquina que hace 
referencia al aprendizaje automático de las máquinas; las herramientas que cuentan con esta 
característica desarrollan soluciones para evolucionar y aprender de los datos con los que 
trabajan, de este modo, se automatizan procesos sin intervención humana [13]. Algunas de 
las ventajas de aplicar ML en las empresas son: mejorar el servicio al cliente, analizar 
preferencias de los clientes, ofrecer productos personalizados de forma automática, mejorar 
la percepción de la empresa, potenciar la fidelización de clientes y automatizar procesos de 
rutinas o tareas mecánicas [14],[15]. 
El presente trabajo tiene como unidad de análisis la empresa SIGMA Ingeniería S.A, una 
empresa de Manizales enfocada en el desarrollo de Software de georreferenciación y 
Sistemas de Información Geográfica (SIG) que soportan la gestión pública en Colombia. El 
objetivo de este proyecto es construir un modelocomputacional basado en aprendizaje de 
máquina que le permita al área de soporte técnico, la clasificación de incidencias, 
requerimientos o peticiones de los clientes, con el fin de obtener protocolos para la solución 
de problemas específicos con un tiempo de respuesta óptimo. Los campos de aplicación que 
abarca el desarrollo de este modelo computacional son procesamiento de lenguaje natural o 
NLP por sus siglas en inglés (Natural Language Processing) y técnicas de ML aplicados a 
la preparación, procesamiento y clasificación de texto. 
El contenido de este documento inicia con una recopilación de antecedentes basado en 
estudios de AI aplicado a la clasificación de texto, al NLP y su aplicación en las empresas. 
Seguido, se encuentra el planteamiento del problema de investigación y su justificación 
donde se describe la problemática encontrada en la empresa SIGMA Ingeniería S.A que 
motivó el desarrollo de esta tesis; posteriormente, se presenta el referente conceptual, 
contextual y legal, seguido de los objetivos y la sección de metodología donde se muestran 
las diferentes técnicas aplicadas en la investigación y el proceso realizado. Por último, se 
17 
 
 
presentan los resultados obtenidos juntos con su discusión, recomendaciones, 
contribuciones de la tesis y referencias bibliográficas usadas 
 
18 
 
 
2 ANTECEDENTES 
La tecnología no para de revolucionar las industrias y la aparición de tendencias como la AI 
seguirán transformando los negocios. La causa se reduce a un simple hecho: hasta ahora, la 
tecnología ha sido creada para ser usada por seres humanos, y con base a ese uso, se 
desarrollan relaciones, negocios, aplicaciones y soluciones para la sociedad [16]. 
Los inicios de la AI se remontan a la filosofía, la ficción y la imaginación nacida a 
mediados de los años 50, gracias al informático John McCarthy y a la ayuda de Marvin 
Minsky y Claude Shannon [17]. Este concepto, designado en la conferencia de Dartmouth, 
definía la palabra como la ciencia e ingeniería de “hacer máquinas inteligentes.”, sin 
embargo, no es hasta la década de los 90 que la AI empieza a adoptarse como lo conocemos 
hoy en día [18]. 
Una de las ramas de la AI es el NLP que se encarga de explorar cómo los computadores 
pueden ser usados para entender y manipular el lenguaje humano, las tareas en el NLP con 
frecuencia involucran el reconocimiento de voz, la comprensión del lenguaje natural y la 
generación del mismo [19]. 
Según Li Deng [20], el NLP es una gama de técnicas computacionales motivadas 
teóricamente para procesar y comprender textos con el fin de desarrollar aplicaciones 
prácticas novedosas para facilitar las interacciones entre computadoras y lenguajes 
humanos. Esta técnica tomó gran importancia porque existe un amplio almacenamiento de 
información registrada o almacenada en lenguaje natural que podría ser accesible a través 
de ordenadores. La información se genera constantemente en forma de libros, noticias, 
informes y artículos científicos. Un sistema que requiere una gran cantidad de información 
debe poder procesar el lenguaje natural para recuperar gran parte de la información 
disponible en computadoras [21]. El NLP es un campo en el que se tienen que desarrollar, 
evaluar o analizar teorías de representación y razonamiento. Todas las dificultades de la AI 
surgen en el ámbito de resolver "el problema del lenguaje natural" que es tan difícil como 
resolver "el problema de la AI" porque cualquier campo puede expresarse o representarse 
en lenguaje natural. 
19 
 
 
A. Masood Khan [22], expone la minería de texto y análisis de texto como términos 
similares y lo que hacen es relacionar estos dos términos y enfocarlos al NLP, ya que 
explican que la unión de estas dos técnicas puede permitir comprender la sintaxis (lo que 
dice la palabra) y la semántica (lo que significa la palabra) a partir de información y datos 
obtenidos por seres humanos para finalmente estar en la capacidad de llevar a cabo una 
clasificación como lo es para este caso la clasificación de textos (TC por sus siglas en 
inglés). 
Cabe resaltar que algunas de las aplicaciones de AI están basadas en la clasificación 
automática de texto, la cual puede definirse como una técnica de ML que asigna una 
instancia determinada a etiquetas predefinidas en función de su contenido [23]. En general, 
la TC, juega un papel importante en la extracción y resumen de información, la 
recuperación de texto y la respuesta a preguntas, es así donde [24] toma gran importancia al 
recomendar diferentes etapas y procesos a llevar a cabo al trabajar con textos; la Figura 1 
muestra los procesos recopilados para aplicar a conjuntos de datos textuales: 
Figura 1. Proceso para clasificación de texto. 
 
Adaptado de [24]. 
La primera sección hace referencia al debido pre-procesamiento a realizar al texto a 
trabajar, donde se hace importante por un lado aplicar el proceso de Stemming (Estemizado) 
o Lemmatization (Lematización) ya que ayuda a eliminar palabras mal escritas y a reducir 
el tamaño inicial de la palabra convirtiéndola a su raíz. Adicionalmente, se recomienda 
20 
 
 
realizar la limpieza de las palabras vacías más conocidas como stop words, ya que son 
palabras que no aportan significado por sí solas y reducen significativamente la 
dimensionalidad de los datos e información a procesar. Por otro lado, se realiza el proceso 
de extracción o transformación de características, que es una técnica de ponderación que 
utiliza un método estadístico para calcular la importancia de una palabra en todo el corpus 
de texto en función del número de veces que la palabra aparece [25], puede reducir el 
efecto de algunas palabras irrelevantes, mientras retiene palabras importantes que afectan 
todo el texto. Al aplicar estos procesos se puede producir una mejor precisión al aplicar 
algoritmos de ML. 
El ML es una rama de la AI y se encarga de estudiar algoritmos y métodos estadísticos que 
utilizan los sistemas informáticos para realizar de forma eficaz una tarea específica sin 
utilizar instrucciones explícitas, basándose en patrones e inferencias [26]. Las técnicas de 
ML que se destacan para resolver tareas de clasificación son: máquinas de vectores de 
soporte (SVM por sus siglas en inglés), bosques aleatorios (RF por sus siglas en inglés), 
Regresión logística (LR por sus siglas en inglés), árboles de decisión (DT por sus siglas en 
inglés), análisis discriminante lineal (LDA por sus siglas en inglés), Naïve Bayes (NB por 
sus siglas en inglés) y K Vecinos más cercanos (KNN por sus siglas en inglés)[27], [28]. 
Para problemas de clasificación, específicamente de texto, A. I. Kadhim [29] analiza las 
diferentes técnicas de aprendizaje automático supervisado como son los clasificadores NB, 
SVM, KNN y analiza el efecto de cada técnica para clasificar documentos en una o más 
clases según su contenido. Los resultados muestran que, en términos de precisión, SVM es 
el mejor algoritmo para todas las pruebas que utilizan reseñas de películas en el conjunto de 
datos y tiende a ser más precisa que otros métodos, sin embargo, demuestra que las técnicas 
funcionan de manera diferente dependiendo del texto del conjunto de datos (corto y largo). 
Por lo que se obtuvo que KNN en general funciona bien en varios algoritmos de 
clasificación de texto, partiendo de esto, C. Sharpe et al. [30] explica que se deben tener en 
cuenta diferentes factores al implementar una tarea de clasificación; hay dos grandes 
categorías de clasificadores: generativos y discriminativos [31]. Los clasificadores 
generativos incluyen clasificadores bayesianos como Naive Bayes (NB) y los clasificadores 
21 
 
 
discriminativos incluyen las máquinas de soporte de vectores y redes neuronales donde en 
muchos de los casos los clasificadores discriminativos producen una mejor precisión de 
clasificación [30], y evidencian que las técnicas de clasificaciónmás populares para 
problemas de optimización son SVM, RF y NB que están muy influenciados por la calidad 
de la fuente de datos y las técnicas de representación de características, ya que las 
características irrelevantes y redundantes de los datos degradan la precisión y el 
rendimiento del clasificador. 
En este sentido, a partir de la revisión de literatura, se muestra que SVM ha sido reconocido 
como uno de los métodos de TC más efectivos [32]–[35]. Esta técnica tiene sólidos 
fundamentos teóricos y excelentes éxitos empíricos que se han aplicado a tareas como el 
reconocimiento de dígitos escritos a mano, el reconocimiento de objetos y como se nombró 
anteriormente, en la clasificación de texto [33], [36], sin embargo, SVM es más complejo, 
por lo tanto, exige mayores consumos de tiempo y memoria durante la etapa de 
entrenamiento y la etapa de clasificación [23]. 
Luego de tener en cuenta la clasificación de textos como se discutió en los estudios 
anteriores, es fundamental combinarla con la clasificación de textos multi-etiqueta ya que 
este trabajo contiene una cantidad importante de clases. Wang et al. [37] diseñó un 
algoritmo basado en razonamiento llamado Multi-Label Reasoner (ML-Reasoner) para la 
tarea de clasificación multi-label, en este estudio trabaja con técnicas como Convolutional 
neural network (CNNs), Recurrent Neural Network (RNN), una versión más avanzada de 
RNN como Long short-term memory (LSTM), Bidirectional Encoder Representations from 
Transformers (BERT), Binary relevance (BR), Classifier chains (CC), Label Powerset (LP 
) y otros algoritmos que han sido adaptados de SVM. [37] muestra los mejores resultados 
usando la red LSTM con 77.60% de precisión con 54 categorías diferentes en un conjunto 
de datos. 
En este punto, vale la pena hablar de los estudios realizados en esta rama enfocados al área 
de soporte y servicio al cliente en las empresas, es por este motivo que se tiene en cuenta a 
Y. Xu et al. [38], donde explican que la AI en el contexto del servicio al cliente se encarga 
22 
 
 
de brindar recomendaciones, alternativas y soluciones personalizadas a los mismos. Este 
trabajo expone un experimento que muestra si los consumidores de un banco prefieren 
aplicaciones de servicio al cliente en la línea de AI o directamente con humanos. Los 
resultados muestran que, en el caso de tareas de baja complejidad, los consumidores 
consideraban que la capacidad de resolución de problemas en la línea de AI era mayor que 
la del servicio al cliente humano, sin embargo, para tareas de alta complejidad, 
consideraban que el servicio al cliente humano era superior y era más probable que lo 
usaran que la línea de IA. De modo que, para aplicar AI en las empresas, el modelo 
desarrollado debe estar muy bien entrenado y ser capaz de resolver problemas a los clientes 
tanto de alta como de baja complejidad. Por este motivo, se hace necesario enfocarse en 
procesos de clasificación y categorización de textos adecuados y acordes a los datos 
relacionados con los clientes. 
Por otro lado, M. Raza et al. [39] se centran en la realización de un análisis de las opiniones 
de clientes relacionadas con los productos Software como Servicio (SaaS). Los autores 
usaron once enfoques tradicionales de clasificación de aprendizaje automático para lograr 
esta tarea y probar el rendimiento de cada uno de ellos. Este estudio es importante ya que 
no solo determinaron los mejores parámetros para cada algoritmo de aprendizaje, sino que 
también usaron un conjunto de datos desequilibrado en términos de distribución de la 
muestra por clase, lo cual es de gran utilidad para tener como referencia en los datos a 
procesar en este trabajo ya que cuentan con las mismas características. 
Finalmente, se puede hablar de otro tipo de búsquedas de textos como lo expone S. A. 
Pérez at al. [40] en su trabajo, que tiene como objetivo la implementación de un sistema de 
clasificación automática de textos de opiniones realizadas por clientes de cierta compañía. 
Lo que se hizo en este desarrollo fue clasificar las opiniones según categorías establecidas 
(Pregunta, Sugerencia, Información Usuarios, Otras e Información Empresa), y aplicaron 
diferentes técnicas de ML en las que incluyeron DT, SVM, KNN y algunas variantes del 
modelo de NB. A partir de la aplicación de las diferentes técnicas nombradas, para este 
caso se evidencia que obtuvieron los mejores resultados y mayor porcentaje de eficiencia 
23 
 
 
con el modelo de DT y nuevamente con el método de SVM mediante la representación 
binaria. 
Esta revisión de antecedentes ha permitido entender las técnicas supervisadas de ML más 
comunes enfocadas en la TC, además de encontrar las técnicas que tienden a brindar 
mayores desempeños para las tareas relacionadas con este problema de clasificación. Se 
concluye que es de gran importancia realizar procesos de NLP, reducción de características 
y transformación de características para que los resultados de desempeños obtenidos 
puedan crecer de manera significativa [41]. Además, se ha podido evidenciar que existen 
pocos estudios que relacionen técnicas de analítica de datos enfocado en las empresas y 
clasificación multi-etiqueta que promuevan la mejora continua a partir de soluciones de ML 
e AI para brindar soluciones de una manera más rápida y eficiente al cliente; uno de los 
objetivos de mayor importancia del presente trabajo. 
 
24 
 
 
3 ÁREA PROBLEMÁTICA Y PREGUNTA DE INVESTIGACIÓN 
3.1 DESCRIPCIÓN DEL ÁREA PROBLEMÁTICA 
El desarrollo de la tecnología junto con el gran crecimiento que ha tenido el internet 
impactó profundamente el desarrollo de diferentes ámbitos en el mundo en que vivimos, 
estos dos fenómenos trajeron consigo un cambio trascendental donde cada individuo puede 
recibir y enviar información a través del internet desde cualquier lugar y en cualquier 
momento, incluso almacenar y manejar esta información. La recopilación de datos ha 
permitido un gran avance en la tecnología, específicamente en el campo de la AI. En 
Colombia se han adoptado marcos normativos y éticos vinculantes que respondan de 
manera directa a la implementación de la AI en el sector público, sin embargo, se debe 
considerar cómo deben incorporarse estos marcos éticos en el proceso de toma de 
decisiones en el sector público y el privado [42]. 
La AI no solo ha permitido posicionar las empresas en mercados internacionales, sino que 
también ha servido de herramienta para el uso de la tecnología en las empresas. Ante la 
realidad planteada surge el campo de la ciencia de datos, ya que una de las ramas de la AI 
se caracteriza por la utilización de herramientas propias del NLP como es el caso del 
análisis de texto y los sentimientos en las opiniones de los usuarios [43]. 
En la actualidad, las grandes bases de datos se han convertido en uno de los recursos 
productivo más importante para las organizaciones; su gestión y procesamiento a través de 
la ciencia de datos permite la detección de tendencias invisibles o complicadas de detectar 
por un analista. Esto se traduce en un aumento de la productividad al permitir identificar 
patrones ineficientes y aplicar las soluciones correspondientes desde el análisis de datos ara 
mejorar toda la cadena productiva [44]. Si una base de datos se gestiona adecuadamente, la 
organización obtendrá diferentes ventajas: aumentará su eficacia, realizará los trabajos con 
mayor rapidez y agilidad, simplificará los procesos, mejorará la protección y seguridad de 
los datos que se almacenan y maximizará los tiempos y la productividad con efectos en la 
competitividad a un mayor nivel de la compañía [45]. 
25 
 
 
Para manejar una base de datos textuales apropiadamente mediante AI se requieren de 
técnicas de NLP para realizar una limpieza adecuada de los datos trabajados y encontrar 
similitudes e importancias de palabras entre párrafos o cantidades significativasde textos, 
allí es donde radica el objetivo de vincular el NLP con la AI a partir de técnicas de ML para 
que sirvan de herramientas conjuntas tanto en el procesamiento de conjuntos de datos 
textuales como en la clasificación de múltiples categorías. Partiendo de este análisis y 
pruebas posteriores de funcionamiento, estos resultados de investigación se aplicarán 
localmente a una empresa colombiana. 
En este sentido, es la empresa SIGMA Ingeniería S.A donde se aplicaron los conocimientos 
aprendidos a partir de esta investigación. Esta empresa tiene como punto de partida de su 
labor, el manejo de datos dentro de los sectores que se abarcan en sus líneas de negocio 
conocidas como Geolumina, Geoaseo y Geoambiental. Los requerimientos, incidentes y 
peticiones presentados por parte del cliente son atendidos mediante una herramienta 
organizacional denominada Timework, que permite conocer, gestionar y controlar las 
solicitudes de los clientes. Esta herramienta permite registrar los tiempos de las actividades 
ejecutadas, priorizaciones de los equipos de trabajo, gestión de compromisos, gestión de 
riesgos y planeación estratégica; adicionalmente, genera datos diarios de todos los equipos 
de trabajo, con el fin de medir la operación para mejorar la productividad, la eficiencia y 
desarrollar procesos de mejora continua. 
En su tiempo de operación de 4 años, la plataforma cuenta con aproximadamente 15.000 
datos o tickets de servicio generados por la organización y los equipos de trabajo de soporte 
técnico. Estos tickets de servicio describen todas las actividades y procedimientos llevados 
a cabo para la solución de los requerimientos presentados y resultan fundamentales para 
darle orden a la gestión de procesos internos de la empresa, encontrar patrones y predecir 
comportamientos. 
Sin embargo, SIGMA Ingeniería S.A ha identificado por medio de esta herramienta una 
insatisfacción por parte del cliente debido al incumplimiento del tiempo de respuesta 
estimado para la solución de requerimientos y solicitudes. Esto se debe a que la empresa no 
cuenta con bases de datos que almacenen los protocolos establecidos para la solución de los 
26 
 
 
requerimientos presentados por parte del cliente. Por este motivo, se hace necesario contar 
con un modelo computacional aplicado al ML que permita clasificar todos los 
requerimientos y peticiones en diferentes categorías. Estas categorías tendrán relación 
directa con las diferentes solicitudes que puede presentar el cliente y cada categoría 
brindará los protocolos a seguir para darle una solución satisfactoria en tiempo y en calidad 
al cliente por parte del área de soporte técnico de la empresa [46]. 
Este modelo computacional le permitirá al área de soporte técnico encontrar de manera 
eficiente y rápida la solución que le debe brindar al cliente sin necesidad de escalamientos y 
reprocesos; que son la causa principal del incumpliendo en los tiempos de solución 
pactados hacia el cliente y, por consiguiente, la razón directa de su insatisfacción. 
3.2 HIPÓTESIS DE LA INVESTIGACIÓN 
En base a la problemática expuesta surge la siguiente hipótesis: 
El uso de arquitecturas computacionales basadas en técnicas de ML y NLP será 
beneficioso para la clasificación de requerimientos de clientes en múltiples categorías 
para la futura automatización de procesos y protocolos de solución brindados por el 
área de servicio y soporte técnico en las empresas. 
3.3 FORMULACIÓN DEL PROBLEMA 
Del planteamiento anterior surge la pregunta: 
• ¿Cómo automatizar la clasificación de múltiples categorías y protocolos de solución 
del área de servicio y soporte técnico en empresas utilizando técnicas de ML y 
NLP? 
 
4 JUSTIFICACIÓN 
La AI es uno de los componentes reconocidos por su potencial para transformar de manera 
27 
 
 
radical la forma como hoy vivimos, pues hace posible que las máquinas aprendan de la 
experiencia, se ajusten a nuevas aportaciones y realicen tareas como seres humanos [1]. Por 
lo tanto, empleando estas tecnologías, las computadoras pueden ser entrenadas para realizar 
tareas específicas y procesar grandes cantidades de información mediante el 
reconocimiento de patrones en los datos. 
La IA, tiene un gran potencial para acelerar el progreso de los Objetivos de Desarrollo 
Sostenible (ODS) [47]. Un equipo de Científicos del Instituto Andaluz de Investigación en 
Data Science and Computational Intelligence (DaSCI) de la Universidad de Granada 
(UGR), junto a la compañía Ferrovial y la Real Academia de la Ingeniería (RAI), han 
realizado un estudio que evidencia cómo la ingeniería y la implantación de soluciones 
tecnológicas fuertemente ancladas en la AI favorece el progreso de los 17 ODS [48]. Esto, 
debido a que la AI está optimizando métodos de razonamiento y ejecución más precisos, 
seguros y eficientes, en diversas tareas y ámbitos, por lo que diferentes organismos 
internacionales, entre ellos la Organización para la Cooperación y el Desarrollo Económico 
(OCDE) y la Organización de las Naciones Unidas (ONU) han destacado el papel relevante 
que estas tecnologías pueden tener para su cumplimiento [49]. 
El valor social que los datos han creado en los últimos años supone un nuevo uso de la 
información que se genera mediante servicios tecnológicos, uno de estos servicios es la 
minería de datos; que es el proceso de hallar anomalías, patrones y correlaciones en grandes 
conjuntos de datos para predecir resultados [50]. Los beneficios que se obtienen de la 
minería de datos a partir de la TC y el ML tienen gran importancia en el entorno 
empresarial altamente competitivo de hoy en día. Todo ello, es debido a que la minería de 
datos descubre información útil que contribuye a la toma de decisiones tácticas y 
estratégicas para detectar los datos claves que permite encontrar, atraer y retener a los 
clientes y reducir el riesgo de perderlos. Así mismo, las empresas pueden mejorar la 
atención al cliente a partir de la información obtenida, abre nuevas oportunidades de 
negocios y además, ahorra costes a las empresas [51]. 
28 
 
 
El ML enfocado a las empresas, es un campo de investigación y aplicación prometedor 
dado que cada vez las organizaciones están más interesadas en aprovechar las grandes 
cantidades de datos e información del que disponen. Las técnicas de recuperación de la 
información y de aprendizaje automático facilitan la tarea de extracción de conocimiento, 
por lo que no solo permite hacer un análisis profundo de todos los datos, sino que a través 
de los algoritmos desarrollados dota a los ordenadores de la capacidad de identificar 
patrones que brinden información y conocimiento relevante dentro de las empresas [46]. 
Esta investigación se centra en organizaciones que quieran valorizar sus datos y tomar 
decisiones más acertadas, que les permita ser eficientes en los diferentes procesos internos 
y externos debido a los incrementos en la capacidad, agilidad del procesamiento y análisis 
de la información. A partir de este desarrollo, se pretende generar la capacidad en las 
empresas de responder a condiciones cambiantes de la manera más rápida y óptima posible, 
lo cual es clave en el desarrollo empresarial, mantenimiento y crecimiento de los negocios. 
El factor de novedad de esta investigación está enfocada al ámbito empresarial, ya que 
propone implementar un modelo computacional de clasificación en las empresas donde el 
ML pueda descubrir ideas y patrones ocultos en los datos de la entidad. Esto con el fin de 
incrementar la satisfacción del cliente a través de la revisión de registros históricos para 
analizar su comportamiento y brindar correctamente la solución esperada a las incidencias 
presentadas. Esta práctica reduce el costo y la cantidad de tiempo invertido en la gestión 
relacional con el consumidor potencial. 
Este trabajo le pretende dar solución a la dificultad a la que se enfrenta SIGMA IngenieríaS.A, donde por medio de diferentes técnicas de analítica de datos y la correcta 
implementación del NLP permita al área de soporte técnico interactuar con un modelo 
computacional que le brinde por un lado la categoría a la que pertenece dicho 
requerimiento; las cuales están divididas en 41 categorías, por otra parte, que le brinde 
automáticamente los diferentes protocolos de solución a estos requerimientos con un alto 
grado de confiabilidad y en tiempos cortos, lo que conlleva a una reducción significativa en 
el tiempo tomado por el área de soporte técnico en brindar una respuesta y solución al 
29 
 
 
cliente. 
El uso y aplicación del ML e AI se ha convertido en una herramienta de gran utilidad para 
los negocios al poder mejorar las operaciones comerciales y el análisis de variables 
importantes para la organización. Es así como las empresas pueden obtener múltiples 
beneficios al acceder al ML y convertirlo en un aliado estratégico de los procesos al poder 
resolver problemas complejos y predecir comportamientos del mercado, de los clientes y de 
diferentes grupos de interés [46]. 
 
30 
 
 
5 REFERENTE TEÓRICO 
5.1 REFERENTE CONCEPTUAL 
En esta sección se explican los conceptos más relevantes a tener en cuenta para el 
desarrollo del trabajo, los términos se presentan en orden lógico de tal manera que se pueda 
brindar una mejor comprensión entre los conceptos brindados y, un mejor entendimiento 
del proceso a realizar en la sección de metodología (ver Sección 7.) 
Nivel TRL: 
Los Niveles de Madurez de la Tecnología o Technology Readiness Levels (TRLs) han 
empezado a usarse en las convocatorias como una guía para definir las fases de un proyecto 
de Investigación y Desarrollo para la creación de innovaciones. 
El nivel TRL es una medida para describir la madurez de una tecnología. Este concepto 
surge en la NASA, pero se ha generalizado para ser utilizado en el desarrollo de proyectos 
de cualquier tipo de industria y no sólo para proyectos espaciales. En concreto, un TRL es 
una forma aceptada de medir el grado de madurez de una tecnología [52]. La Figura 2 
muestra los nueve niveles tecnológicos. 
Figura 2. Infografía de la escala de los niveles tecnológicos. 
 
Adaptado de [53]. 
31 
 
 
Específicamente es al TRL 4 al que pertenece el presente trabajo, el TRL 4 o validación de 
sistema en un entorno de laboratorio [54], es el primer paso para determinar si los 
componentes individuales funcionarán juntos como un sistema. El sistema de laboratorio 
será una combinación de pruebas piloto capaces de ejecutar todas las funciones planteadas 
dentro del alcance del proyecto para la empresa SIGMA Ingeniería S.A y se espera que el 
modelo presente pruebas superadas de factibilidad en condiciones de operación y 
funcionamiento simuladas. 
Técnicas de ML: 
En 1956, en una conferencia en la Universidad de Dartmouth, se propuso formalmente el 
término "inteligencia artificial". Ese momento fue el primer paso en un nuevo tema de 
estudio de cómo las máquinas aprenden de la experiencia y simulan actividades de 
inteligencia humana [1]. El desarrollo de la AI ha aportado enormes beneficios económicos 
y sociales a la humanidad, muchos académicos iniciaron investigaciones relacionadas con 
AI desde finales del siglo XX donde utilizan computadoras para simular comportamientos 
humanos inteligentes y entrenan a las computadoras para que aprendan también 
comportamientos humanos como el análisis y la toma de decisiones [55]. Una de las ramas 
de la AI basada en la idea de que los sistemas pueden aprender de datos, identificar 
patrones y tomar decisiones con mínima intervención humana es llamado ML [1]; consiste 
básicamente en automatizar, mediante distintos algoritmos, la identificación de patrones o 
tendencias que se “esconden” en los datos, estos distintos algoritmos permiten resolver 
problemas tanto de clasificación como de agrupamiento y de regresión [56]. Los tipos de 
implementación de ML pueden clasificarse en diferentes categorías uno de ellos son: 
Aprendizaje Supervisado: 
En el aprendizaje supervisado, los algoritmos trabajan con datos “etiquetados”, intentando 
encontrar una función que, dadas las variables de entrada (input data), les asigne la etiqueta 
de salida adecuada. El algoritmo se entrena con un “histórico” de datos y así “aprende” a 
asignar la etiqueta de salida adecuada a un nuevo valor, es decir, predice el valor de salida 
[57]. 
32 
 
 
Las técnicas de ML que destacan para resolver tareas de clasificación son: SVM, Árboles 
Adicionales (ET), RF, LR, LDA, NB y KNN [33], [58], [59]. 
LR. La regresión logística es un proceso de modelado de la probabilidad de que exista una 
determinada clase o evento. La LR utiliza la función logística para modelar una variable 
dependiente binaria. Esto se puede aplicar al uso de este modelo con clases o eventos más 
complejas que involucran más de dos categorías [60][5]. 
La función logística, representa una curva en forma de “S” que toma cualquier valor 
numérico real y lo mapea entre valores de 0 y 1 [39] . LR se basa en suposiciones sobre la 
relación entre las variables dependientes e independientes. La distribución condicional 
usada en este modelo es una distribución de Bernoulli, ya que la variable dependiente tiene 
la forma de una variable binaria (presencia o ausencia de deslizamientos) [61]. En el 
análisis de regresión logística, la relación entre el evento y su dependencia se puede 
expresar mediante la Ecuación 1. 
𝑦 = 
1
1+𝑒−𝑧 (1) 
Donde “z” es cualquier valor numérico que se pretende transformar y mapear entre 0 y 1 y 
“y” es la probabilidad de ocurrencia de un evento. La LR implica ajustar una ecuación de la 
siguiente forma (ver Ecuación 2) a los datos. 
𝑧 = 𝑏0 + 𝑏1𝑥1 + 𝑏2𝑥2 + ⋯ + 𝑏𝑛𝑥𝑛 (2) 
 
donde 𝑏0 es la intersección del modelo, 𝑏𝑖(i = 0, 1, 2, ..., n) son los coeficientes de 
pendiente del modelo de LR y 𝑥𝑖 (i = 0, 1, 2, ..., n) son las variables independientes. El 
modelo lineal formado es finalmente una regresión logística de presencia o ausencia de las 
condiciones presentes (variables dependientes) sobre las condiciones previas a la falla 
(variables independientes) [61][49] . 
LDA. El análisis discriminante lineal es un método utilizado para encontrar una 
combinación lineal de características que separa dos o más clases [62]. La técnica LDA se 
usa comúnmente para la clasificación de datos y la reducción de dimensionalidad 
[63][5][64]. Este enfoque trata de encontrar la dirección de proyección en la que datos 
https://ezuam.autonoma.edu.co:2058/science/article/pii/S0167739X19300196#b49
33 
 
 
pertenecientes a diferentes clases se separan al máximo. Matemáticamente, trata de 
encontrar la matriz de proyección o los pesos de los eventos de tal manera que la relación 
entre la matriz de dispersión entre clases y la matriz de dispersión dentro de las clases 
proyectadas se maximice. A diferencia de los algoritmos basados en PCA, la técnica LDA 
considera la pertenencia a clases para la reducción de dimensiones [65]. 
DT. Modelo de clasificación mediante la construcción de un árbol de decisión, está en la 
capacidad de realizar clasificaciones multiclase [66]. Este algoritmo predice el valor de una 
variable objetivo mediante el aprendizaje sucesivo de reglas de decisión simples que se 
deducen de las bases de datos. Esta estrategia de clasificación se puede describir mediante 
la Figura 3. Para empezar, el árbol se codifica como una cadena de símbolos de manera que 
existe una relación única entre la cadena y el árbol de decisión. La cadena se decodifica en 
la computadora y se configuran punteros para definir la ruta de clasificación adecuada para 
cada muestra de datos. 
En general, un árbol de decisión consta de un nodo raíz, varios nodos interiores y varios 
nodos terminales u hojas. El nodo raíz y los nodos interiores están vinculadosa etapas de 
decisión y los nodos terminales u hojas representan las clasificaciones finales (ver la Figura 
3). En el nodo raíz se encuentra todo el conjunto completo de clases en las que se puede 
clasificar una muestra. Cada nodo interior consta de un conjunto de clases a clasificar el 
conjunto de características a utilizar y la regla de decisión para realizar la clasificación y 
finalmente las hojas cuentan con una clase única que suman la totalidad de las clases a 
clasificar [5], [67]. 
 
 
Figura 3. Estructura básica del DT. 
34 
 
 
 
Adaptada de [67] [68]. 
RF. Este modelo funciona mediante la construcción de una multitud de árboles de decisión, 
es un método tanto para clasificación como para regresión [69]. RF crea múltiples árboles 
de decisión y los fusiona para generar una predicción más precisa y estable, la clase 
resultante es el resultado seleccionado por la mayoría de los árboles de decisión [70] (ver 
Figura 4). 
En general, el uso de un clasificador de RF para la clasificación incluye cuatro pasos: 
1. Seleccionar muestras aleatorias de un conjunto de datos dado. 
2. Construir un árbol de decisión para cada muestra. 
3. Obtener un resultado de predicción de cada DT. 
4. Seleccionar la predicción con más votos o con más coincidencias entre todos los 
resultados de los DT como la clasificación final [30]. 
 
 
 
 
 
Figura 4. Estructura básica de un RF. 
35 
 
 
 
Adaptada de [68]. 
ET. Este modelo funciona mediante la construcción de una multitud de árboles de decisión 
como la técnica RF, ET también es un método para clasificación y regresión [69]. La 
diferencia es que el modelo ET agrega más aleatoriedad al proceso de entrenamiento del 
modelo mediante el uso de umbrales de decisión aleatorios para cada característica [71] [5]. 
La mejor división en un nodo interno la encuentra seleccionando al azar un solo umbral de 
decisión para cada característica y a partir de sus divisiones aleatorias, selecciona la que 
conduce al mayor aumento en la puntuación utilizada. Un mayor grado de aleatoriedad 
durante el entrenamiento produce árboles más independientes y, por lo tanto, disminuye 
aún más la varianza [72]. 
Sus dos diferencias principales con otros métodos de conjuntos basados en árboles son que 
divide los nodos internos eligiendo puntos de corte completamente al azar y que utiliza toda 
la muestra de aprendizaje para hacer crecer todos los árboles. 
Los resultados de las predicciones de todos los árboles se acumulan para producir la 
predicción final a partir del campo más votado para problemas de clasificación y el 
promedio aritmético de los resultados de cada árbol en problemas de regresión [71]. 
KNN. Es un método de clasificación no paramétrico que se utiliza también para 
36 
 
 
clasificación y regresión. El modelo clasifica las muestras haciendo uso de los datos 
vecinos. Al evaluar una muestra, el modelo puede asignar pesos a las contribuciones de los 
vecinos. La elección óptima del valor de k depende en gran medida de los datos, este valor 
k representa la cantidad de instancias más similares y cercanos a la muestra evaluada: una k 
más grande suprime los efectos de ruido, pero hace que los límites de clasificación sean 
menos claros [73] [5]. El algoritmo KNN memoriza y representa todo el conjunto de datos. 
Las predicciones se realizan calculando la similitud entre una muestra de entrada y cada 
instancia de entrenamiento [74]. 
Para clasificar una muestra nueva y además desconocida, KNN calcula la distancia entre la 
nueva instancia y otras instancias en el espacio de funciones [39], estas distancias se 
pueden calcular usando diferentes métricas como: 
Distancia Euclidiana: la distancia euclidiana entre un punto “a” y “b” se calcula como la 
raíz cuadrada de la suma de sus diferencias al cuadrado en todos los atributos de entrada i 
(ver Ecuación 3). 
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝐸𝑢𝑐𝑙𝑖𝑑𝑖𝑎𝑛𝑎 (𝑎, 𝑏) = √∑ (𝑎𝑖 − 𝑏𝑖)2𝑛
𝑖=1 (3) 
 
Distancia de Manhattan: la distancia de Manhattan calcula la distancia entre dos puntos o 
vectores utilizando la suma de su diferencia absoluta. Esta distancia también es conocida 
como geometría del taxista (ver Ecuación 4). 
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑀𝑎𝑛ℎ𝑎𝑡𝑡𝑎𝑛 (𝑎, 𝑏) = ∑ |𝑎𝑖 − 𝑏𝑖|
𝑛
𝑖=1 (4) 
 
Distancia de Minkowski: La distancia de Minkowski es la generalización de la distancia 
euclidiana y de Manhattan como se indica en la Ecuación 5. 
𝑀𝑖𝑛𝑘𝑜𝑤𝑠𝑘𝑦 𝐸𝑢𝑐𝑙𝑖𝑑𝑖𝑎𝑛𝑎 (𝑎, 𝑏) = (∑ |𝑎𝑖 − 𝑏𝑖|
𝑝𝑛
𝑖=1 )
1
𝑝 (5) 
 
El valor de p en la distancia de Minkowski puede tomar valores de 1 o 2; si toma un valor 
de 1 es igual a la distancia de Manhattan y si toma el valor de 2 a la distancia euclidiana 
[39]. 
https://ezuam.autonoma.edu.co:2058/topics/computer-science/euclidean-distance
https://ezuam.autonoma.edu.co:2058/topics/computer-science/minkowski-distance
https://ezuam.autonoma.edu.co:2058/topics/computer-science/generalization
37 
 
 
El número k de vecinos se selecciona se selecciona con el que tiene la distancia más baja de 
la nueva instancia. Este método también se aplica a conjuntos de datos con 2 o más número 
de clases. 
SVM. La máquina de soporte de vectores resuelve tanto clasificación lineal y no lineal 
como análisis de regresión. Este modelo funciona mejor para conjuntos de datos pequeños 
y medianos. La idea fundamental de la clasificación con SVM es separar clases 
manteniendo el límite de decisión lo más lejos posible de las muestras de entrenamiento 
más cercanas. [69], [75]. En la Figura 5 se muestra un caso de dos clases con un hiperplano 
de separación óptimo y un margen máximo. Si las dos clases son linealmente separables, el 
hiperplano óptimo que separa los datos se puede expresar como la Ecuación 6. 
𝑔(𝑥) = 𝑤𝑇 ∗ 𝑥 + 𝑏 = 0 (6) 
Donde w es un vector normal que es perpendicular al hiperplano y b es el desplazamiento 
del hiperplano. SVM optimiza w y b para maximizar la distancia entre los hiperplanos 
paralelos mientras sigue separando los datos. 
 
 
 
 
 
 
 
 
 
Figura 5. Concepto de una máquina de vectores de soporte de dos clases. 
38 
 
 
 
Adaptada de [30] 
El SVM se implementa utilizando diferentes núcleos. El kernel más utilizado para 
implementar SVM se llama kernel SVM lineal. Además del núcleo lineal SVM, otros 
núcleos como el núcleo polinomial SVM y el núcleo de función de base radial (RBF), se 
pueden utilizar en escenarios más complejos de TC. En este trabajo se utiliza el núcleo 
RBF, al mostrar un mejor rendimiento en los datos que no se pueden separar linealmente en 
el espacio [30]. Adicionalmente, el SVM no se limita a problemas de clasificación de dos 
clases, sino que también se puede utilizar para la clasificación de problemas multiclase 
siendo reconocido como uno de los métodos de TC más eficaces [76], [77], [5]. 
NB. Este clasificador probabilístico utiliza el teorema de Bayes [78]. El modelo 
individualiza cada característica de la muestra de la que ninguna muestra será dependiente 
(suponiendo que la probabilidad de las características sea gaussiana). En otras palabras, 
cada pieza puede presentar una probabilidad de pertenecer a un grupo específico sin la 
presencia de las diferentes muestras [5]. 
De la notación general del teorema de Bayes, la probabilidad de que una muestra de texto x 
pertenezca una clase c es mostrada en la Ecuación 7. 
𝑃(𝑐|𝑥) = 
𝑃(𝑐)𝑃(𝑥|𝑐)
𝑃(𝑥)
 (7) 
39 
 
 
Donde; 
𝑃(𝑐|𝑥): es la probabilidad de que una muestra x pertenezca a una clase c 
𝑃(𝑐): es la probabilidad de que la clase c sea verdadera. 
𝑃(𝑥|𝑐): es la probabilidad de observar que la muestra x pertenece a la clase c 
(verosimilitud). 
𝑃(𝑥): es la probabilidad de la muestra x independientemente de cualquier clase. 
Para la clasificación de texto multiclase, el clasificador probabilístico creado con el enfoque 
ingenuo de Bayes da comoresultado la clasificación del texto en función de la presencia de 
palabras en cada muestra de texto y la asignación a diferentes clases [79],[39]. En otras 
palabras, Naïve Bayes permite estimar la probabilidad de un suceso a partir de la 
probabilidad de que ocurra otro suceso, del cual depende el primero [40]. 
Procesamiento de lenguaje natural (NLP): 
El NLP es una rama de la AI que ayuda a las computadoras a entender, interpretar y 
manipular el lenguaje humano, toma elementos prestados de muchas disciplinas, 
incluyendo la ciencia de la computación y la lingüística computacional, en su afán por 
cerrar la brecha entre la comunicación humana y el entendimiento de las computadoras [3]. 
El NLP es el enfoque computarizado para analizar texto que se basa tanto en un conjunto de 
teorías como en un conjunto de tecnologías, por una parte A. Chopra et al. [80] ofrece la 
siguiente definición: 
“El NLP es una gama de técnicas computacionales motivadas teóricamente para analizar y 
representar textos que ocurren naturalmente en uno o más niveles de análisis lingüístico con 
el fin de lograr un procesamiento del lenguaje similar al humano para una variedad de 
tareas o aplicaciones”. Por otro lado, S. Jusoh et al. [81] explica que el NLP es un 
subcampo de la AI y lingüística, dedicado a hacer que las computadoras comprendan las 
declaraciones o palabras escritas en lenguajes humanos. 
40 
 
 
Con respecto al área de investigación el NLP es un área de aplicación que explora cómo se 
pueden utilizar las computadoras para comprender y manipular el texto en lenguaje natural. 
Los investigadores en esta área tienen como objetivo recopilar conocimientos sobre cómo 
los seres humanos comprenden y usan el lenguaje de modo que se puedan desarrollar 
herramientas y técnicas de adaptación para que los sistemas informáticos comprendan y 
manipulen los lenguajes naturales para realizar tareas determinadas [82]. 
Los fundamentos de esta técnica se encuentran en varias disciplinas como informática y 
ciencias de la información, lingüística, matemáticas, ingeniería eléctrica y electrónica, 
inteligencia artificial y robótica, psicología, etc. Las aplicaciones incluyen una serie de 
campos de estudio, como traducción automática, procesamiento y resumen de textos en 
lenguaje natural, interfaces de usuario, multilingües y recuperación de información en 
varios idiomas, reconocimiento de voz, entre otros. [82]. 
Técnicas de NLP para pre-procesamiento de texto: 
Eliminación de Stop Words: 
El análisis de texto requiere varios pasos de pre-procesamiento para estructurarlo y extraer 
características [83], para empezar, se debe tener en cuenta que no todas las palabras en un 
documento pueden usarse para entrenar a un algoritmo de clasificación [10]. Hay palabras 
irrelevantes como verbos auxiliares, preposiciones, conjunciones y artículos que no brindan 
significados por sí solos. Estas palabras se denominan stop words, algunos ejemplos de 
estas palabras son: la, los, arriba, con, cuándo, además, qué, entre otros. Existen listas de 
dichas palabras [84] que se eliminan como una tarea de preproceso. El motivo por el que se 
deben eliminar las palabras vacías de un texto es que hacen que el texto parezca más pesado 
y menos importante para los analistas. La eliminación de las palabras vacías reduce 
significativamente la dimensionalidad de los datos e información a procesar. 
 
Estemizado: 
El estemizado es una técnica de normalización sencilla, que a menudo se implementa como 
https://ezproxy.autonoma.edu.co:2065/topics/computer-science/preprocessing-step
41 
 
 
una serie de reglas que se aplican progresivamente a una palabra para producir una forma 
normalizada [9]. Este método se utiliza para identificar la raíz de una palabra. Por ejemplo, 
las palabras conectar, conectado, conectó, conectará, todas pueden derivarse de la raíz 
"conect". El propósito de este método es eliminar varios sufijos, para reducir el número de 
palabras, para ahorrar tiempo en el procesamiento y reducir espacio en la memoria. Esto se 
ilustra en la Figura 6. 
Algo importante que se debe tener en cuenta acerca del estemizado es que no se requiere 
que la palabra normalizada sea válida, sino solo que las variaciones de la misma palabra se 
asignen a la misma raíz, aunque pueda parecer contradictorio, esto no representa un 
problema. El estemizado se utiliza principalmente para indexar documentos en un motor de 
búsqueda, por lo que estas raíces, que pueden ser palabras no válidas, solo se procesan 
internamente para buscar documentos y nunca se muestran al usuario, por lo que, para el 
caso de este estudio, al tener relación directa con los usuarios es imprescindible conocer 
también la técnica Lemmatization (Lematización). 
Figura 6. Proceso de Estemizado 
 
Elaboración propia 
 
Lematización: 
Se puede pensar en la lematización como una versión más sofisticada del estemizado ya 
que no solo reduce la forma de la palabra, sino que además la reduce a su forma base 
42 
 
 
adecuada, donde dada una forma flexionada de la palabra, ya sea en plural, en femenino, 
conjugada, entre otros (ver Figura 7), halla el lema correspondiente. El lema es la forma 
que por convenio se acepta como representante de todas las formas flexionadas de una 
misma palabra, de este modo se reduce el tamaño del conjunto de características inicial y 
unifica todas las palabras a su raíz o lema [85]. 
Para hacer esto, los algoritmos de lematización dependen de la disponibilidad de 
información de la parte del discurso en las palabras de entrada porque es posible que sea 
necesario aplicar diferentes reglas de normalización, ya sea que la palabra sea un 
sustantivo, verbo, adjetivo u otro. 
En resumen, la lematización es casi siempre una mejor opción desde un punto de vista 
cualitativo. Con los recursos computacionales actuales, la ejecución de algoritmos de 
lematización no debería tener un impacto significativo en el rendimiento general. Sin 
embargo, si estamos optimizando la velocidad, un algoritmo de estemizado puede ser una 
posibilidad. 
Figura 7. Proceso de Lematización 
 
Elaboración propia 
Extracción de características con TF-IDF: 
Los datos de texto requieren una preparación especial antes de que se puedan comenzar a 
usar para el modelado predictivo. Las palabras del texto deben codificarse como números 
https://es.wikipedia.org/wiki/Flexi%C3%B3n_(ling%C3%BC%C3%ADstica)
https://es.wikipedia.org/wiki/Lema_(ling%C3%BC%C3%ADstica)
43 
 
 
enteros o valores de punto flotante para usar como entrada de un algoritmo de aprendizaje 
automático, llamado extracción de características o vectorización. 
La extracción de características TF-IDF es una técnica de ponderación comúnmente 
utilizada en el procesamiento de información y la minería de datos. Esta técnica utiliza un 
método estadístico para calcular la importancia de una palabra en todo el corpus en función 
del número de veces que la palabra aparece en el texto y la frecuencia de los documentos 
que aparecen en todo el corpus [86]. Su ventaja es que puede filtrar algunas palabras 
comunes pero irrelevantes, mientras retiene palabras importantes que afectan todo el texto. 
Los dos componentes principales que afectan la importancia de un término en un 
documento son el factor de frecuencia de término por sus siglas en inglés Term Frequency 
(TF) y el factor de frecuencia de documento inverso por sus siglas en inglés Inverse 
Document Frequency (IDF) [87]. La TF se refiere al número de veces que aparece una 
palabra clave en todo el corpus y la IDF se utiliza principalmente para reducir el efecto de 
algunas palabras comunes en todos los documentos que tienen poco efecto en el texto 
analizado. 
El valor TF-IDF de una palabra se calcula multiplicando el componente local TF y el 
componente global IDF, cuanto mayor sea la importancia de una palabra para un artículo, 
mayor será su valor TF-IDF.Por lo tanto, los primeros valores TF-IDF representan las 
palabras claves del corpus que se esté trabajando [86]. 
Balanceo de datos: 
El desbalanceo de datos en el ML se refiere a una distribución desigual de clases dentro de 
un conjunto de datos. Este problema se encuentra principalmente en tareas de clasificación 
en las que la distribución de clases o etiquetas en un conjunto de datos determinado no es 
uniforme [88]. El método sencillo para resolver este problema es el método de remuestreo 
agregando registros a la clase minoritaria o eliminando registros de la clase mayoritaria. 
Cuando un conjunto de datos está desequilibrado es difícil obtener un modelo predictivo 
significativo y confiable debido a la falta de información para aprender sobre el evento 
44 
 
 
minoritario, por lo tanto, aplicar balanceo de datos implica volver a muestrear para reducir 
el desequilibrio de clases. Las dos técnicas básicas de muestreo incluyen el sobremuestreo 
aleatorio o Random Oversampling (ROS) por sus siglas en inglés y el submuestreo 
aleatorio o Random Undersampling (RUS) por sus siglas en inglés [8]. El sobremuestreo 
duplica aleatoriamente las muestras de clases minoritarias, mientras que el submuestreo 
descarta aleatoriamente las muestras de clases mayoritarias para modificar la distribución 
de clases. 
Balanceo al mayor o Sobremuestreo: 
El sobremuestreo se puede realizar aumentando la cantidad de instancias o muestras de 
clases minoritarias produciendo nuevas instancias o repitiendo algunas de ellas para igualar 
en cantidad a las clases con mayor cantidad de muestras (ver Figura 8). 
Figura 8. Proceso para balancear al mayor (Sobremuestreo) 
 
Elaboración propia 
Balanceo al menor o Submuestreo: 
El submuestreo es el proceso de disminuir la cantidad de instancias o muestras objetivo de 
las clases mayoritarias con el fin de tener una misma cantidad de datos entre todas las 
clases a analizar y conseguir el balanceo entre categorías (ver Figura 9). 
Figura 9. Proceso para balancear al menor (Submuestreo) 
45 
 
 
 
Elaboración propia 
Métricas: 
Evaluar algoritmos de aprendizaje automático es una parte esencial de cualquier proyecto, 
ya que el modelo puede brindar resultados satisfactorios cuando se evalúa con una métrica, 
pero puede dar resultados deficientes cuando se evalúa con otras métricas. La métrica más 
común utilizada es llamada Accuracy para medir el rendimiento del modelo desarrollado, 
sin embargo, no es suficiente para juzgar realmente el modelo. A continuación, se explican 
unas de las métricas utilizadas para la evaluación de desempeño de los algoritmos de ML 
según [6] y [89], para esto, es importante entender el significado de los siguientes cuatro 
términos también brindados por [6]: 
- Verdaderos positivos (TP, por sus siglas en inglés): los casos en los que se predijo 
SÍ y la salida real también era SÍ. 
- Verdaderos negativos (TN, por sus siglas en inglés): los casos en los que se 
predijo NO y la salida real era NO. 
- Falsos positivos (FP, por sus siglas en inglés): los casos en los que se predijo SÍ y 
la salida real era NO. 
- Falsos negativos (FN, por sus siglas en inglés): los casos en los que se predijo NO 
y la salida real era SÍ. 
 
46 
 
 
Exactitud (Accuracy): es la relación entre el número de predicciones correctas y el número 
total de muestras de entrada (ver Ecuación 8). 
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 
𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
 (8) 
Precisión: es una métrica que cuantifica el número de predicciones positivas correctas 
realizadas. Se calcula como la proporción de verdaderos positivos predichos correctamente 
dividida por el número total de verdaderos y falsos positivos predichos (ver Ecuación 9). 
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑇𝑃
𝑇𝑃+𝐹𝑃
 (9) 
Sensibilidad (Recall): es una métrica que cuantifica el número de predicciones positivas 
correctas realizadas a partir de todas las predicciones positivas que podrían haberse 
realizado. Se calcula como la proporción de verdaderos positivos predichos correctamente 
dividida por el número total de verdaderos positivos y falsos negativos que podrían 
predecirse (ver Ecuación 10). 
𝑅𝑒𝑐𝑎𝑙𝑙 = 
𝑇𝑃
𝑇𝑃+𝐹𝑁
 (10) 
Valor-F1 (F1-score): La puntuación F1 es la media armónica entre precisión y 
sensibilidad. El rango de la puntuación F1 es [0, 1]. Le dice cuán preciso es su clasificador 
(cuántas instancias clasifica correctamente), así como cuán robusto es (no pierde una 
cantidad significativa de instancias). 
Cuanto mayor sea el F1 Score, mejor será el rendimiento de nuestro 
modelo. Matemáticamente, se puede expresar como la Ecuación 11. 
 𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2 ×
1
1
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
+
1
𝑟𝑒𝑐𝑎𝑙𝑙
 (11) 
Matriz de confusión (CM): Una matriz de confusión resume el número de predicciones 
realizadas por un modelo para cada clase y las clases a las que realmente pertenecen esas 
predicciones. Ayuda a comprender los tipos de errores de predicción que comete un 
modelo. 
 
47 
 
 
Reporte de clasificación (CR): crea un reporte de texto que muestra las principales 
métricas de clasificación, como precisión, Sensibilidad, Valor-F1 y soporte, este último es 
el número de ocurrencias de la clase dada en el conjunto de datos [4], [5]. 
 
Curva ROC: El análisis de curvas ROC por sus siglas en inglés Receiver Operating 
Characteristic curve o Característica Operativa del Receptor constituye un método 
estadístico para determinar la exactitud diagnóstica de los datos etiquetados como test, 
siendo utilizadas con tres propósitos específicos: determinar el punto de corte de una escala 
continua en el que se alcanza la sensibilidad y especificidad más alta, evaluar la capacidad 
discriminativa que los datos de test tienen para diferenciar categorías y comparar la 
capacidad discriminativa de dos o más datos de test categorizados que expresan sus 
resultados como escalas continuas [7]. 
En las curvas ROC, nos interesa que la curva se acerque lo máximo posible a la esquina 
superior izquierda de la gráfica, de manera que el hecho de aumentar la sensibilidad 
(Recall) no haga que nuestro modelo introduzca más falsos positivos. 
5.2 REFERENTE NORMATIVO 
A través de la Ley 1581 de 2012 y el Decreto 1377 de 2013, se desarrolla el derecho 
constitucional que tienen todas las personas a conocer, suprimir, actualizar y rectificar todo 
tipo de datos personales recolectados, almacenados o que hayan sido objeto de tratamiento 
en bases de datos en las entidades del públicas y privadas [90]. 
Se requiere que se cumpla con todo el marco legal de Habeas Data; recurso de agravio 
constitucional que protege dos derechos fundamentales: el derecho a la información y la 
autodeterminación informativa o protección de datos personales; ambos, forman parte del 
ámbito de los derechos humanos, reconocidos y protegidos por los Tratados Internacionales 
y las Cartas Constitucionales de los diferentes países en los que impera el estado de derecho 
[91]. 
SIGMA Ingeniería S.A está certificada bajo modelos internacionales de calidad CMMI-
48 
 
 
DEV nivel 3 que supone el reconocimiento a los altos niveles de calidad y exigencia los 
desarrollos y productos de hardware y software de la empresa, además, cuenta con 
certificaciones como el ISO27000 que garantiza las buenas prácticas para el 
establecimiento, implementación, mantenimiento y mejora de Sistemas de Gestión de la 
Seguridad de la Información. Por lo tanto, requiere de permisos legales por parte de la 
empresa para hacer uso de los datos con los que posee; que son imprescindibles para el 
desarrollo y estudio del presente trabajo. 
 
5.3 REFERENTE CONTEXTUAL 
SIGMA Ingeniería S.A es una empresa de Manizales enfocada en el desarrollo de Software 
de georreferenciación y Sistemas de Información Geográfica para la gestión pública en 
Colombia de los sectores energético, sanitario y ambiental. La empresa