Resumen— En el presente trabajo de investigación se evaluó los modelos de Machine Learning Supervisado, para predecir el nivel de cosecha de uva en toneladas. Se ha utilizado la herramienta Weka, donde se ha agregado una variable categórica “rango” que clasifica la cosecha de uva en nivel bajo, medio, bueno y muy bueno. Se ha aplicado los modelos supervisados: “J48”, “REPTree”, “Random Forest”, algoritmo de Máquinas de Vectores de Soporte, normalización de datos, K-Nearest Neighbors (IBk). Se ha utilizado una base de datos de 2,187 registros que incluye información del fundo, planta, variedad, fecha de cosecha, hectárea, temperatura, humedad, punto de rocío, velocidad del viento, entre otras variables más la variable objetivo: rango en toneladas de uva cosechada.

Integrantes:

• Rommel Martin Solis Dongo

• Joel Abad Pulache

• Edgar Alfredo Filio Torres

• José Roldán Saavedra

Resumen— En el presente trabajo de investigación se evaluó los modelos de Machine Learning Supervisado, para predecir el nivel de cosecha de uva en toneladas. Se ha utilizado la herramienta Weka, donde se ha agregado una variable categórica “rango” que clasifica la cosecha de uva en nivel bajo, medio, bueno y muy bueno. Se ha aplicado los modelos supervisados: “J48”, “REPTree”, “Random Forest”, algoritmo de Máquinas de Vectores de Soporte, normalización de datos, K-Nearest Neighbors (IBk). Se ha utilizado una base de datos de 2,187 registros que incluye información del fundo, planta, variedad, fecha de cosecha, hectárea, temperatura, humedad, punto de rocío, velocidad del viento, entre otras variables más la variable objetivo: rango en toneladas de uva cosechada.

Integrantes

• Edgar Alfredo Filio Torres

• Joel Abad Pulache

• Rommel Martin Solís Dongo

• José Roldán Saavedra