Impacto de la estandarización y escalado:: factor para predicción de costos en proyectos a través de una red neuronal artificial

• Joselyn Rodríguez González ^[1] ; Edgar Ugalde Saborio ^[1]
  1. [1] Universidad Latina de Costa Rica

     Universidad Latina de Costa Rica

     San Pedro, Costa Rica

     
• Localización: Ingeniare: Revista Chilena de Ingeniería, ISSN-e 0718-3305, ISSN 0718-3291, Vol. 29, Nº. 2, 2021, págs. 265-275
• Idioma: español
• Títulos paralelos:
  • Impact of Standardization and Scaling:: factor to predicting costs in projects through artificial neural network
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo presenta una comparación de los métodos de estandarización y escalado en la predicción de costos. Se utilizaron cuatro métodos de estandarización y escalado para el procesamiento previo de datos; después de eso, los datos se procesaron a través de la red neuronal artificial (RNA). El primer paso fue crear variables comunes en proyectos de información basados en las opiniones de algunos gerentes de proyecto. El segundo paso fue simular un conjunto de datos basado en la información proporcionada por la empresa colaboradora: CRConsulting. La tercera etapa fue procesar los datos con algoritmos de aprendizaje automático de acuerdo con los cuatro métodos propuestos, los algoritmos de aprendizaje automático fueron los mismos en los cuatro casos. Por último, los resultados de la comparación se presentaron mediante modelos de ajuste según el método aplicado. El proceso anterior permitió determinar que los métodos de escalado y rango, aportan un mejor ajuste para la predicción de los costos, además de poseer un error medio cuadrático y un error cuadrático inferior en comparación con los datos no escalados y con los datos que fueron procesados por otros algoritmos de estandarización.

  • English

    This paper presents comparison of Standardization and Scaling methods in cost predicting. Four methods were used for pre-processing dataset; after that, data was processed through artificial neural network (RNA). The first step was to build common variables in information projects based on opinions of some project managers. Second step was to simulate dataset based on information provided by CRConsulting. Third one was process data with machine learning according to the four methods proposed, RNA algorithms were the same in four cases. Last, the comparison results were presented through adjustment models according to the applied method.