Se encontraron 2 coincidencias

por RaulRivera
14 Ene 2026, 23:19
Foros: Inteligencia Artificial
Tema: Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning
Respuestas: 0
Vistas: 36

Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning

ASUNTO: Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning

INTEGRANTES:
  • Jhoel Salomón Tapara Quispe
  • Gleddynuri Marbel Picha Chañi
  • Rivera Castillo Raúl Ricardo
  • Jhan Carlos Gomez Padilla
RESUMEN:
Este trabajo presenta el desarrollo de multiples modelos de machine learning
para la predicción del carbono negro en el nevado de Huaytapallana en la region de Junín. En este se comparan los modelos de Regresion lineal, Random Forest, XGBoost, LightGBM, SVM y Redes Neuuronales (MLPs) mediante el uso del coeficiente de terminación (R2). Asimismo, se evalua el desempeño de variables hidrologicas exogeneas al dataset inicial en conjunto a las estaciones del año.

CODIGO FUENTE: https://github.com/RaulRRC/Prediction-Black-Carbon
DATASET: https://www.datosabiertos.gob.pe/datase ... laciares-y
por RaulRivera
14 Ene 2026, 18:33
Foros: Inteligencia Artificial
Tema: Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning
Respuestas: 0
Vistas: 29

Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning

ASUNTO: Predicción de Carbono Negro en Nevados de Junín: Comparación de Modelos de Regresión con Machine Learning

INTEGRANTES:
  • Jhoel Salomón Tapara Quispe
  • Gleddynuri Marbel Picha Chañi
  • Rivera Castillo Raúl Ricardo
  • Jhan Carlos Gomez Padilla
RESUMEN:
Este trabajo presenta el desarrollo de multiples modelos de machine learning para la predicción del carbono negro en el nevado de Huaytapallana en la region de Junin para la deteccion temprana del deshielo glacial. En este se comparan los modelos de Regresion lineal, Random Forest, XGBoost, LightGBM, SVM y redes neuronales (MLPs) mediante el uso del coeficiente de determinación (R2). Asimismo, se evalua el desempeño de variables hidrologicas exogenas al dataset inicial en conjunto a las estaciones del año.

CODIGO FUENTE: https://github.com/RaulRRC/Prediction-Black-Carbon