Resumen
Este estudio aplica modelos de machine learning interpretativo para identificar los determinantes más relevantes de la pobreza en el Perú utilizando los microdatos de la Encuesta Nacional de Hogares (ENAHO 2024). Se usó algoritmos supervisados como Decision tree, Random Forest, Support Vector Machine, XGBoost, Neural Networks y Bayesian Networks , se busca superar las limitaciones de métodos tradicionales y aportar explicaciones comprensibles para la toma de decisiones. Los resultados permiten identificar factores críticos asociados a la pobreza, como el nivel educativo, ingreso mensual, acceso a servicios básicos y características del hogar, aportando evidencia útil para la focalización eficiente de políticas sociales
Palabras claves: Enaho, Algoritmos supervisados, balanceo, XGBoost, LightGBM

INTEGRANTES:

Javier Custodio Ore
javier.custodio.o@uni.pe

Freddy Huachua Gamarra
freddy.huachua.g@uni.pe

Fidel Alberto Ramos Calachahuin
fidel.ramos.c@uni.pe

Integrantes:
Javier Custodio Ore
javier.custodio.o@uni.pe

Freddy Huachua Gamarra
freddy.huachua.g@uni.pe

Fidel Alberto Ramos Calachahuin
fidel.ramos.c@uni.pe


Resumen
Este estudio aplica modelos de machine learning interpretativo para identificar los determinantes más relevantes de la pobreza en el Perú utilizando los microdatos de la Encuesta Nacional de Hogares (ENAHO 2024). Se usó algoritmos supervisados como Decision tree, Random Forest, Support Vector Machine, XGBoost, Neural Networks y Bayesian Networks , se busca superar las limitaciones de métodos tradicionales y aportar explicaciones comprensibles para la toma de decisiones. Los resultados permiten identificar factores críticos asociados a la pobreza, como el nivel educativo, ingreso mensual, acceso a servicios básicos y características del hogar, aportando evidencia útil para la focalización eficiente de políticas sociales

Palabras claves: Enaho, Algoritmos supervisados, balanceo, XGBoost, LightGBM




Lima – Perú
2025-I