Modelo de caracterización de individuos morosos utilizando algoritmos de Minería de Datos /

Facilita la caracterización de contribuyentes morosos utilizando modelos de aprendizaje supervisado en las municipalidades. Para el desarrollo de este proyecto se realizó una investigación de tipo aplicada, en la misma se busca determinar de una manera efectiva la posibilidad de que los contribuyent...

Descripción completa

Detalles Bibliográficos
Autor principal: Vargas Gálvez, Gerson (autor)
Autor Corporativo: Universidad Nacional (Costa Rica). Escuela de Informática. Licenciatura en Informática
Otros Autores: Ramírez Villalobos, Frander (autor)
Formato: Tesis Libro
Lenguaje:Spanish
Publicado: Heredia, Costa Rica : G. Vargas G., [2021].
Materias:
Acceso en línea:http://hdl.handle.net/11056/22399
Descripción
Sumario:Facilita la caracterización de contribuyentes morosos utilizando modelos de aprendizaje supervisado en las municipalidades. Para el desarrollo de este proyecto se realizó una investigación de tipo aplicada, en la misma se busca determinar de una manera efectiva la posibilidad de que los contribuyentes incurran en mora, aplicando técnicas de minería de datos en los registros de información personal de los contribuyentes y su historial de pago de servicios en la Municipalidad. La población de los datos que se utilizaran tiene en consideración los contribuyentes del cantón de Belén el cual contiene un aproximado de 22,000 habitantes de los cuales un número cercano a los 8,000 son clientes activos de la Municipalidad, además se comprenden los registros disponibles en el sistema municipal SIGMB desde el año 2017 al 2021. Por otro lado, se hace uso del padrón electoral el cual contiene la población votante de Costa Rica, también se accede a los archivos maestros de nacimientos, matrimonios y defunciones del país, facilitados por el Tribunal Supremo de Elecciones.
Notas:Con énfasis en desarrollo web
Descripción Física:1 disco de computadora (154 hojas) : archivo de texto, PDF ; 12 cm.
Formato:Unidad lectora de CD Rom, Adobe Acrobat Reader o similares