Saved in:
| Main Author: | |
|---|---|
| Format: | Recurso digital |
| Language: | |
| Published: |
Zenodo
2025
|
| Subjects: | |
| Online Access: | https://doi.org/10.5281/zenodo.17633003 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Table of Contents:
- <p><span>La gestión de la seguridad ciudadana en la Provincia del Callao se ha fundamentado tradicionalmente en un paradigma reactivo<sup></sup></span>. <span>Este paper presenta una metodología de Machine Learning (ML) para habilitar la transición "Del Monitoreo a la Predicción", enfocándose en el análisis proactivo de incidencias operativas<sup></sup></span>. <span>Utilizando un dataset de 84,674 registros de la Central de Monitoreo de la MPC, se implementa un pipeline en Python para pronosticar la tipología de la incidencia (TIPO DE CASO)<sup></sup></span>. <span>El estudio compara un modelo base de Regresión Logística con un modelo de ensamble (Random Forest)<sup></sup></span>. <span>Los resultados demuestran que el modelo Random Forest (F1-Score: 0.7717) supera significativamente al modelo base (F1-Score: 0.7188)<sup></sup></span>. <span>El análisis de importancia de características confirma que el modelo aprende patrones espacio-temporales, identificando la hora del día (hora_numerica) y el día de la semana (dia_de_la_semana) como los predictores más influyentes<sup></sup></span>. <span>Este trabajo valida la viabilidad de un sistema de clasificación predictiva para la optimización estratégica de recursos en la seguridad urbana<sup></sup></span>.</p>