Algoritmos Machine Learning (ML): Predicción de casos COVID-19 en Bolivia

• Juan Ruiz Otondo ^[1]
  1. [1] Datastudy Consulting
• Localización: Cuestiones Económicas, ISSN-e 2697-3367, Vol. 31, Nº. Extra 3, 2021 (Ejemplar dedicado a: Edición Especial: Memorias IV Encuentro Internacional de Economía EPN; Autor: Paúl Carrillo Maldonado), págs. 19-19
• Idioma: español
• Títulos paralelos:
  • Machine Learning (ML) algorithms: Prediction of COVID-19 cases in Bolivia
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El sistema económico - sanitario global atraviesa una incertidumbre, resiliencia por efecto de la pandemia, ante esa adversidad es determinante estimar los comportamientos de escenarios de casos Covid-19, para una toma de decisión estratégica en política pública. El objetivo de este artículo es examinar las implicaciones de algoritmos Machine Learning (ML) en precisión de predicción de casos Covid-19. La metodología se sustenta en la estadística y analítica predictiva de algoritmos ML. El resultado de la evidencia determina a nivel comparativo que los algoritmos ARIMA y RANDOM FOREST no tienen buena precisión ni ajuste de datos, por ende no se cumplen sus pronósticos a futuro, por otra parte el algoritmo PROPHET se comporta de manera regular, como indicador intermedia en la predicción comparando con números de casos a tiempo real, dentro de esa perspectiva los algoritmos predictivos que tienen mejor test de precisión y se ajustan a la realidad de los datos de casos diarios de Covid-19 para Bolivia son; GLMNET Y PROPHET W/XGBOOT ERRORS en las dos fases simulados previos a presentación de este artículo, por la razón anterior se podría concluir que los modelos predictivos GLMNET y PROPHET W/XGBOOT ERRORS son mejores algoritmos para predecir escenarios de casos Covid-19.

  • English

    The economic system is going through uncertainty, resilience due to the pandemic, in the face of this adversity it is decisive to estimate the behaviors of the Covid-19 case scenarios, for strategic decision-making in public policies. The aim of this article is to examine the implications of machine learning (ML) algorithms on the accuracy of the prediction of Covid-19 cases. The methodology is based on predictive statistics and analysis of ML algorithms. The result of the evidence determines at a comparative level that the ARIMA and RANDOM FOREST algorithms do not have good precision or data fit, so their future forecasts are not fulfilled, on the other hand the PROPHET algorithm behaves regularly, as an intermediate indicator in the comparison of prediction with numbers of cases in real time, within that perspective are the predictive algorithms that have the best test precision and are adjusted to the reality of the daily data of Covid-19 cases for Bolivia; GLMNET AND PROPHET W / XGBOOT ERRORS in the two simulated phases prior to the presentation of this article, therefore it could be concluded that the GLMNET and PROPHET W / XGBOOT ERRORS predictive models are better algorithms to predict Covid-19 case scenarios.