MÁQUINAS DE SOPORTE VECTORIAL EN REGRESIÓN PARA LA PREDICCIÓN DEL DESARROLLO DE UNA CADENA DE SUMINISTRO

Autores/as

Douglas Andrés Verduga Alcívar Universidad Técnica de Manabí, Ecuador https://orcid.org/0000-0003-4984-0441
Víctor Ernesto Márquez Pérez Instituto de Ciencias Básicas. Universidad Técnica de Manabí. Ecuador. https://orcid.org/0000-0003-2458-2415
Emanuel Guillermo Muñoz Muñoz Instituto de Ciencias Básicas. Universidad Técnica de Manabí. Ecuador. https://orcid.org/0000-0002-0997-0578

DOI:

https://doi.org/10.33936/revbasdelaciencia.v7iESPECIAL.3529

Palabras clave:

Máquinas de Soporte Vectorial en Regresión, Regresión Lineal Múltiple, Cadenas de suministro, entrenamiento.

Resumen

El objetivo de este trabajo es predecir el nivel de desarrollo de una cadena de suministro manabita de clasificación agroalimentaria, cuyo producto fundamental es el agua de coco artesanal. Usando datos históricos, se aplican los métodos de Máquinas de Soporte Vectorial en Regresión y Regresión Lineal Múltiple. Como parte del trabajo se lleva a cabo un estudio de correlación para mejorar el desempeño de los métodos. Los resultados muestran que las Máquinas de Soporte Vectorial logran el mejor desempeño cuando se usa el Kernel Polinomial con una selección de parámetros apropiados. La metodología empleada para el procesamiento de la investigación utiliza el entrenamiento de estos dos métodos lo que proporciona un modelo que se puede aplicar en otros estudios de casos.

Descargas

La descarga de datos todavía no está disponible.

Citas

Acevedo Urquiaga, J. A, Sablón Cossío, N., Acevedo Suárez, J. A., González Rodríguez, Y. & Martín Marrero, A. (2020). Analysis of the hospital supply chain in cuban territory. DYNA, 87(215), 9-17.

Albrecht, M., Supply chain coordination mechanisms, New Approaches for Collaborative Planning, LecturNotes in Economics and Mathematical Systems, Ed. Springer Germany, 2010, pp. 5-62.

Angel, I. J., Trejo, R., Yu, W., & México, L. (2006). Las maquinas de vectores de soporte para identificación en línea.

Bautista Santos, H., Martínez Flores, J. L., Fernández Lambert, G., Bernabé Loranca, M. B., Sánchez , F., & Sablón Cossío, N. (2015). Integration model of collaborative supply chain. DYNA Medellín., Vol 83. No. 193. DOI: http://dx.doi.org/10.15446/dyna.v82n193.47370.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/bf00994018

Jos, J., Bravo, R. B., & Priego, E. C. (2016). Trabajo Fin De Grado Support Vector Regression : Propiedades Y Aplicaciones. Universidad de Sevilla. Departamento de Estadística e Investigación Operativa, 60.

López-Joy, T., Acevedo-Urquiaga, A. J., Gómez-Acosta, M. I., Neira-Mugercia, A. N., Acevedo-Suárez, J. A., & Peña-García, C. (2020). Medicines value chain management level in Cuban health system. Ingeniería y Universidad, 24.

Métricas en regresión | Interactive Chaos. (n.d.). Retrieved April 19, 2022, from https://interactivechaos.com/es/manual/tutorial-de-machine-learning/metricas-en-regresion

Restrepo, L. F., Julián González L, ;, Est, E., & Bioma, E. (n.d.). SELECCIONES De Pearson a Spearman From Pearson to Spearman.

Rodrigo, J. A. (2016). Introducción a la Regresión Lineal Múltiple. https://www.cienciadedatos.net/documentos/25_regresion_lineal_multiple.

Romero Delgado, V. M., Rosado Zambrano, G. V., Sablón Cossío, N., & Burbano Mera, L. (2020). Análisis de la cadena agroalimentaria del coco (cocos nucifera) en la provincia de Manabí, Ecuador. La Técnica. .(Etapa de publicación)

Sánchez-Galván, F., Bautista-Santos, H., Martínez-Flores, J. L., Ireta-Paredes, A. D. R., & Sánchez-Partida, D. (2020). Cadena de suministro de productos agrícolas de traspatio. AgroProductividad, 13(8).

Sablón-Cossío, N. I., Julia Acevedo-Urquiaga, A. I., & Antonio Acevedo-Suárez, J. I. (2014). Propuesta para la evaluación de la planificación colaborativa de la cadena de suministro Proposal for the evaluation of supply chain collaborative planning. www.vics.org

Shawe-Taylor, J., & Cristianini, N. (2004). Kernel Methods for Pattern Analysis. In Kernel Methods for Pattern Analysis. Cambridge University Press. https://doi.org/10.1017/cbo9780511809682

Wang, G. (2012). Demand forecasting of supply chain based on Support Vector Regression method. Procedia Engineering, 29, 280–284. https://doi.org/10.1016/J.PROENG.2011.12.707