Page 58 - 32FEGLININmar25

© FEGLININ ISSN 2594-2298

| Año 8, No 32, enero - marzo 2025 |

Valor: Con un puntaje de 78.44, el modelo Random Forest demostró el mejor desempeño de todos
los algoritmos evaluados. Este valor refleja la capacidad del modelo para generalizar mejor, capturar
relaciones complejas y reducir el riesgo de sobreajuste.

Uso: Random Forest, al combinar múltiples árboles de decisión, logra una mayor precisión y
estabilidad, lo que lo convierte en la mejor opción para problemas con grandes volúmenes de datos y
relaciones no lineales. El rendimiento destacado de 78.44 refuerza su superioridad en estos casos
frente a los modelos individuales como la regresión lineal o el árbol de decisión.

KNeighborsRegressor() :

Valor: El modelo K-Nearest Neighbors (KNN) obtuvo un puntaje de 71.72, lo que es comparable al
rendimiento del árbol de decisión, aunque ligeramente inferior al de Random Forest. Este resultado
indica que el modelo es adecuado, especialmente cuando las relaciones entre los datos son
relativamente simples o las variables están en la misma escala.

Uso: KNN se basa en los vecinos cercanos y funciona bien en situaciones donde no se conoce
exactamente la estructura de los datos, siendo útil cuando los datos son relativamente pequeños o las
relaciones entre las variables son sencillas. Aunque su rendimiento es similar al de los árboles de
decisión, su puntuación aún refleja ciertas limitaciones en comparación con modelos más complejos
como Random Forest.

Resumen de resultados:
• LinearRegression() tiene un rendimiento aceptable, pero limitado cuando las relaciones entre
las variables son complejas.
• DecisionTreeRegressor() es más robusto en comparación, capturando interacciones no
lineales y mostrando un rendimiento decente.
• RandomForestRegressor() muestra el mejor rendimiento porque combina múltiples árboles
de decisión, lo que mejora la precisión y reduce el riesgo de sobreajuste.
• KNeighborsRegressor() tiene un rendimiento similar al de los árboles de decisión, pero puede
ser más sensible a la escala de los datos.
CONCLUSIONES

El análisis reveló patrones clave:
1. Impacto del estrés y sueño: Estudiantes con altos niveles de estrés y pocas horas de sueño
tienen más probabilidades de reprobar.
2. Participación en clase: Los estudiantes que participan más activamente tienden a obtener
mejores resultados.
3. Uso excesivo de redes sociales: Una alta dedicación a redes sociales correlaciona con un bajo
rendimiento.
4. Apoyo familiar: El soporte emocional y económico es crítico para el éxito académico.
La conclusión destaca cómo el estrés y las horas de sueño impactan negativamente en el
rendimiento académico. Estudios como los de Pérez & Ramos (2022) han abordado cómo los
factores emocionales y físicos afectan la capacidad cognitiva de los estudiantes. Este hallazgo
resalta la necesidad de diseñar intervenciones que ayuden a mejorar el bienestar general de los
estudiantes para potenciar su rendimiento académico.

RECOMENDACIONES
• Implementar talleres sobre manejo del estrés y hábitos de sueño.
• Diseñar estrategias para fomentar la participación en clase.

Prefijo DOI: 10.70417

Pág. 58