03245nam a22002897a 450000500170000000800410001704000220005804100080008010000380008824503100012625600460043626400450048230000740052733600080060133700160060933800230062534700080064850202090065650501820086552016570104770000380270470000470274270000470278908200200283665000610285665000380291720260504084059.0260316e2025    ck  |||fsm||| 00| 0 spa d  aCO-NeUSbspaerda  aspa1 aParra Quintero, Dania Nayelyeaut10aAplicación de modelos supervised machine learning para la predicción de la producción de carne de bovinos: bUn enfoque nutrigenético y ambiental /cDania Nayely Parra Quintero, Estefany Cortés Echeverry; Diector Christián Cortés García; Asesor de Tesis Carlos Javier Martínez Moncaleano  aDatos electrónicos (1 archivos:3655 MG)1 aNeiva:bUniversidad Surcolombiana;c2025  a1 CD-ROM (178 páginas);bdiagramas, mapas, tablas o cuadros;c12 cm  atxt  2rdamediaac  2rdacarrieracdbcd  2rda  aTesisbMagíster en Estudios Interdisciplinarios de la ComplejidadcUniversidad Surcolombiana. Facultad de Ciencias Exactas y Naturales. Maestría en Estudios Interdisciplinarios de la Complejidadd2025  aResumen -- Antecedentes y justificación -- Fundamentos teóricos -- Objetivos de la investigación -- Metodología -- Análisis y discusión de resultados -- Conclusión  a"Este proyecto de investigación se basa en un enfoque de ciencias de la complejidad. La ganadería se aborda como un sistema adaptativo conformado por factores nutrigenéticos (raza, cruce y tipo de alimentación) que interactúan y se adaptan a cambios en el ambiente (temperatura, precipitación y humedad).
Esta tesis propone implementar algoritmos de Supervised Machine Learning para predecir la producción bovina del departamento del Huila entre 2008 y 2023.
Para estructurar la investigación con una visión de negocio se utilizó la metodología CRISP-DM, mediante sus fases se orientó el orden de la investigación. Se utilizó R-studio para desarrollar los algoritmos con las librerías (caredt, e1071, class, rpart, randomForest y NeuralNetTools).   
A partir de un conjunto de datos históricos se compararon diferentes algoritmos de regresión, evaluados mediante Cross validation destacándose SVM radial y Random Forest como los modelos que mejor se ajustan y presentan menor error predictivo frente a los demás. Se realizó una evaluación para determinar el más eficiente en la predicción; el modelo con mejor adaptación e interpretación fue el de Random Forest. 
El mejor modelo fue el Random Forest con 800 árboles y 64 observaciones, con un coeficiente de determinación (R^2) del 97,8% de la variabilidad de la carne, esté hace referencia al ajuste del modelo frente a las variables de observación. Finalmente se implementó este modelo para predecir la cantidad de carne en toneladas de cada municipio del departamento del Huila, confirmando su utilidad en este tipo de investigación."

1 aCortés Echeverry, Estefanyeaut1 aCortés García, Christián Camiloedrt1 aMartínez Moncaleano, Carlos Javier,edrt04221aTh MEIC 137 0aProducción Bovina xModelo Supervised Machine Learning 0aNutrigenéticaxCarne de Bovinos