Clasificación de imágenes con redes neuronales mejora el comportamiento del consumidor en estudiantes universitarios

• Casas Miranda, Roberto Jose María ^[1] ; Crispín Sánchez, Ivan ^[1] ; Cabana Cáceres, Maritza Raquel ^[1] ; Nolasco Valenzuela, Jorge Santiago ^[1] ; Nolasco Valenzuela, Luz Elena ^[1]
  1. [1] Universidad Nacional Federico Villarreal

     Universidad Nacional Federico Villarreal

     Perú

     
• Localización: Revista InveCom, ISSN-e 2739-0063, Vol. 6, Nº. 2, 2025, 9 págs.
• Idioma: español
• Títulos paralelos:
  • Image classification with neural networks improves consumer behavior in college students
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El estudio tuvo el objetivo de determinar de qué manera el clasificador de imágenes con redes neuronales (RN) mejora el comportamiento del consumidor en estudiantes universitarios. Se planteó una investigación de tipo aplicado, con un diseño preexperimental y nivel explicativo. Se recolectaron y procesaron datos mediante técnicas no participativas, analizando la interacción digital de estudiantes universitarios. Los datos fueron limpiados y organizados para su análisis, en el que se aplicaron técnicas de Machine Learning. El uso de TensorFlow y TensorFlow Datasets simplificó el preprocesamiento y entrenamiento del modelo, asegurando un flujo eficiente y un desempeño optimizado mediante la normalización de imágenes y la configuración de lotes de datos. El modelo empleó visualizaciones detalladas con indicadores claros para analizar su rendimiento, destacando aciertos y errores, lo que facilitó su interpretación y ajuste. El modelo preentrenado VGG16, ajustado en 15 épocas, alcanzó una precisión de validación del 97.4 %, evidenciando su alta eficacia en datos no vistos. Los resultados destacan el impacto transformador de las CNNs en la clasificación de productos, mejorando la experiencia del usuario y optimizando la satisfacción y percepción del consumidor en plataformas de moda digitales. La implementación del clasificador de imágenes basado en RN mejoró significativamente la experiencia del usuario, pasando de una percepción negativa a un 90% de evaluaciones positivas. La prueba de Wilcoxon confirmó que este cambio refleja una mejora real en el comportamiento y las decisiones de los estudiantes universitarios como consumidores.

  • English

    The study aimed to determine how image classification using neural networks (NN) improves consumer behavior among university students. An applied research study was proposed, with a pre-experimental design and explanatory level. Data was collected and processed using non-participatory techniques, analyzing the digital interaction of university students. The data was cleaned and organized for analysis, in which machine learning techniques were applied. The use of TensorFlow and TensorFlow Datasets simplified the preprocessing and training of the model, ensuring efficient flow and optimized performance through image normalization and data batch configuration. The model used detailed visualizations with clear indicators to analyze its performance, highlighting successes and errors, which facilitated its interpretation and adjustment. The pre-trained VGG16 model, adjusted in 15 epochs, achieved a validation accuracy of 97.4%, demonstrating its high effectiveness on unseen data. The results highlight the transformative impact of CNNs on product classification, improving the user experience and optimizing consumer satisfaction and perception on digital fashion platforms. The implementation of the RN-based image classifier significantly improved the user experience, shifting from a negative perception to 90% positive ratings. The Wilcoxon test confirmed that this change reflects a real improvement in the behavior and decisions of college students as consumers.