Vol. 13/ Núm. 3 2026 pág. 1965
https://doi.org/10.69639/arandu.v13i3.2517
Comparación de algoritmos de Machine Learning para la
estimación del esfuerzo en proyectos de ingeniería de software
Comparison of Machine Learning Algorithms for Effort Estimation in Software
Engineering Projects
Maria Teodolinda Ortega Ovalle
maria.ortegao@up.ac.pa
https://orcid.org/0009-0000-3629-9751
Universidad de Panamá
Panamá
Artículo recibido: 10 julio 2026- Aceptado para publicación:16 agosto 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
Este trabajo analiza el desempeño de diversos algoritmos de Machine Learning aplicados a la
estimación del esfuerzo en proyectos de ingeniería de software, con el propósito de identificar
enfoques que mejoren la precisión y reduzcan la variabilidad en los procesos de planificación. Se
empleó una metodología cuantitativa basada en la recopilación y depuración de conjuntos de datos
históricos, seguida de la implementación de modelos supervisados como Random Forest, Support
Vector Machines, K-Nearest Neighbors y regresión lineal múltiple. La evaluación se realizó
mediante validación cruzada y métricas estándar, como MAE, RMSE y MAPE, para comparar el
rendimiento de cada algoritmo en distintos escenarios. Los resultados evidencian que los modelos
basados en árboles de decisión presentan un comportamiento más estable frente a datos
heterogéneos, mientras que los métodos de regresión son más sensibles a la dispersión de las
variables. Asimismo, se observa que tanto la selección de características como el tratamiento del
desequilibrio influyen de manera significativa en la calidad de las predicciones. Estos hallazgos
aportan evidencia útil para la toma de decisiones en entornos de desarrollo donde la estimación
temprana del esfuerzo es crítica para la gestión de recursos y la planificación estratégica.
Palabras clave: estimación del esfuerzo, ingeniería de software, machine learning,
modelos supervisados, métricas de evaluación
ABSTRACT
This study examines the performance of several Machine Learning algorithms applied to effort
estimation in software engineering projects, aiming to identify approaches that improve accuracy
and reduce variability in planning processes. We implemented a quantitative methodology that
included collecting and preprocessing historical datasets, followed by applying supervised models
such as Random Forest, Support Vector Machines, K-Nearest Neighbors, and multiple linear
Vol. 13/ Núm. 3 2026 pág. 1966
regression. We evaluated performance using cross-validation and standard metrics such as MAE,
RMSE, and MAPE to compare algorithms across scenarios. Results indicate that tree-based
models behave more stably with heterogeneous data, whereas regression methods are more
sensitive to variable dispersion. Additionally, feature selection and imbalance handling
significantly influenced prediction quality. These findings provide valuable evidence for decision-
making in development environments where early effort estimation is essential for resource
management and strategic planning.
Keywords: effort estimation, software engineering, Machine Learning, supervised models,
evaluation metrics
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
regression. We evaluated performance using cross-validation and standard metrics such as MAE,
RMSE, and MAPE to compare algorithms across scenarios. Results indicate that tree-based
models behave more stably with heterogeneous data, whereas regression methods are more
sensitive to variable dispersion. Additionally, feature selection and imbalance handling
significantly influenced prediction quality. These findings provide valuable evidence for decision-
making in development environments where early effort estimation is essential for resource
management and strategic planning.
Keywords: effort estimation, software engineering, Machine Learning, supervised models,
evaluation metrics
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 3 2026 pág. 1967
INTRODUCCIÓN
La estimación del esfuerzo en proyectos de ingeniería de software se ha convertido en
un tema de interés constante en el campo, debido a su influencia directa en la planificación, la
gestión de recursos y la organización del trabajo en los equipos de desarrollo. En un entorno donde
los proyectos se diversifican, las tecnologías evolucionan con rapidez y las demandas de los
usuarios se transforman de manera continua, la capacidad de anticipar con precisión el esfuerzo
requerido para completar una tarea o un proyecto adquiere un valor estratégico. Esta necesidad
ha impulsado la búsqueda de métodos que reduzcan la incertidumbre y mejoren la calidad de las
decisiones tomadas en las primeras etapas del ciclo de vida del software. El presente artículo
aborda este desafío mediante la comparación de algoritmos de Machine Learning aplicados a la
estimación del esfuerzo, con el propósito de comprender cómo se comportan ante distintos tipos
de datos y qué aportes pueden ofrecer a la práctica profesional.
El problema de investigación surge de la dificultad persistente para obtener
estimaciones confiables mediante métodos tradicionales. Durante décadas, la industria ha
recurrido a enfoques basados en la experiencia de los equipos, en analogías con proyectos previos
o en modelos paramétricos que se basan en supuestos que no siempre se ajustan a la realidad de
los proyectos contemporáneos. Estos métodos pueden funcionar en contextos estables, pero
pierden efectividad cuando las características de los proyectos cambian con rapidez o los equipos
enfrentan escenarios de alta variabilidad. A pesar de los avances en técnicas de modelado, todavía
existe un vacío de conocimiento sobre qué algoritmos de aprendizaje automático ofrecen un
rendimiento más consistente ante datos heterogéneos, dispersos o con ruido. Este vacío justifica
la necesidad de estudios comparativos que permitan evaluar, con criterios homogéneos, el
comportamiento de distintos modelos supervisados.
La relevancia del tema se explica por las consecuencias que conlleva una estimación
deficiente. Cuando los equipos calculan mal el esfuerzo, se producen retrasos, sobrecostos y
tensiones internas que afectan la dinámica de trabajo. En organizaciones donde los proyectos se
encadenan y dependen unos de otros, un error en la estimación puede comprometer la entrega de
productos posteriores, alterar los cronogramas y afectar la percepción de calidad de los clientes.
Por ello, explorar alternativas que mejoren la precisión de las predicciones resulta una tarea
necesaria. El uso de algoritmos de Machine Learning abre la posibilidad de analizar datos
históricos desde una perspectiva más objetiva, identificar patrones que no son evidentes con
métodos tradicionales y construir modelos que se ajusten mejor a la complejidad del desarrollo
de software actual.
El marco teórico que sustenta este estudio se basa en los principios del aprendizaje
supervisado, una rama del Machine Learning que busca predecir valores numéricos a partir de un
conjunto de características previamente etiquetadas. Entre los algoritmos más utilizados se
INTRODUCCIÓN
La estimación del esfuerzo en proyectos de ingeniería de software se ha convertido en
un tema de interés constante en el campo, debido a su influencia directa en la planificación, la
gestión de recursos y la organización del trabajo en los equipos de desarrollo. En un entorno donde
los proyectos se diversifican, las tecnologías evolucionan con rapidez y las demandas de los
usuarios se transforman de manera continua, la capacidad de anticipar con precisión el esfuerzo
requerido para completar una tarea o un proyecto adquiere un valor estratégico. Esta necesidad
ha impulsado la búsqueda de métodos que reduzcan la incertidumbre y mejoren la calidad de las
decisiones tomadas en las primeras etapas del ciclo de vida del software. El presente artículo
aborda este desafío mediante la comparación de algoritmos de Machine Learning aplicados a la
estimación del esfuerzo, con el propósito de comprender cómo se comportan ante distintos tipos
de datos y qué aportes pueden ofrecer a la práctica profesional.
El problema de investigación surge de la dificultad persistente para obtener
estimaciones confiables mediante métodos tradicionales. Durante décadas, la industria ha
recurrido a enfoques basados en la experiencia de los equipos, en analogías con proyectos previos
o en modelos paramétricos que se basan en supuestos que no siempre se ajustan a la realidad de
los proyectos contemporáneos. Estos métodos pueden funcionar en contextos estables, pero
pierden efectividad cuando las características de los proyectos cambian con rapidez o los equipos
enfrentan escenarios de alta variabilidad. A pesar de los avances en técnicas de modelado, todavía
existe un vacío de conocimiento sobre qué algoritmos de aprendizaje automático ofrecen un
rendimiento más consistente ante datos heterogéneos, dispersos o con ruido. Este vacío justifica
la necesidad de estudios comparativos que permitan evaluar, con criterios homogéneos, el
comportamiento de distintos modelos supervisados.
La relevancia del tema se explica por las consecuencias que conlleva una estimación
deficiente. Cuando los equipos calculan mal el esfuerzo, se producen retrasos, sobrecostos y
tensiones internas que afectan la dinámica de trabajo. En organizaciones donde los proyectos se
encadenan y dependen unos de otros, un error en la estimación puede comprometer la entrega de
productos posteriores, alterar los cronogramas y afectar la percepción de calidad de los clientes.
Por ello, explorar alternativas que mejoren la precisión de las predicciones resulta una tarea
necesaria. El uso de algoritmos de Machine Learning abre la posibilidad de analizar datos
históricos desde una perspectiva más objetiva, identificar patrones que no son evidentes con
métodos tradicionales y construir modelos que se ajusten mejor a la complejidad del desarrollo
de software actual.
El marco teórico que sustenta este estudio se basa en los principios del aprendizaje
supervisado, una rama del Machine Learning que busca predecir valores numéricos a partir de un
conjunto de características previamente etiquetadas. Entre los algoritmos más utilizados se
Vol. 13/ Núm. 3 2026 pág. 1968
encuentran la regresión lineal múltiple, los modelos basados en árboles como Random Forest, las
máquinas de soporte vectorial y los métodos de vecinos cercanos. Cada uno de ellos parte de
supuestos distintos y ofrece ventajas particulares. La regresión lineal se basa en relaciones
proporcionales entre variables; los modelos de árboles capturan interacciones complejas y no
lineales; las máquinas de soporte vectorial buscan márgenes óptimos para separar patrones; y los
métodos de vecinos cercanos se basan en la similitud entre instancias. Estas diferencias justifican
la necesidad de compararlos en un mismo entorno experimental, utilizando métricas
estandarizadas que permitan evaluar su desempeño de manera objetiva.
En cuanto a los antecedentes investigativos, diversos estudios han explorado el uso de
técnicas de aprendizaje automático para mejorar la estimación del esfuerzo. Algunos trabajos han
demostrado que los modelos basados en árboles tienden a ofrecer mayor estabilidad cuando los
datos presentan variabilidad significativa, mientras que los métodos de regresión funcionan mejor
en escenarios en los que las relaciones entre variables son más lineales. Otros estudios han
resaltado la importancia de la selección de características, el tratamiento del desequilibrio y la
calidad de los datos como factores que influyen en la precisión de las predicciones. Sin embargo,
persiste la necesidad de investigaciones que integren varios algoritmos bajo condiciones
homogéneas de evaluación, con el fin de determinar cuál se adapta mejor a distintos tipos de
proyectos y contextos organizacionales. Este artículo contribuye a ese cuerpo de conocimiento al
presentar un análisis comparativo desarrollado con criterios metodológicos claros y orientados a
la práctica profesional.
El contexto en el que se realiza esta investigación corresponde a entornos de ingeniería
de software en los que los equipos deben gestionar proyectos de diversa escala y complejidad. En
estos escenarios, la disponibilidad de datos históricos es variable, y las organizaciones enfrentan
dificultades para mantener repositorios consistentes y actualizados. Además, la adopción
creciente de metodologías ágiles ha transformado la forma en que se concibe la planificación,
introduciendo ciclos iterativos que requieren estimaciones más frecuentes y ajustadas. Este
contexto influye directamente en la pertinencia de explorar modelos predictivos capaces de
adaptarse a la dinámica del desarrollo contemporáneo y de ofrecer resultados útiles en los
procesos de toma de decisiones.
El propósito del estudio es comparar el rendimiento de distintos algoritmos de Machine
Learning aplicados a la estimación del esfuerzo en proyectos de ingeniería de software. Se busca
identificar cuáles ofrecen mayor precisión y estabilidad en distintos escenarios, analizar el
impacto de la selección de características en la calidad de las predicciones y evaluar cómo influye
el tratamiento del desequilibrio en los resultados. Aunque no se plantean hipótesis estrictas, el
estudio parte del supuesto de que los modelos basados en árboles presentan un comportamiento
más robusto frente a datos heterogéneos, mientras que los métodos de regresión podrían mostrar
mayor sensibilidad a la dispersión de las variables. Con ello, la introducción establece el marco
encuentran la regresión lineal múltiple, los modelos basados en árboles como Random Forest, las
máquinas de soporte vectorial y los métodos de vecinos cercanos. Cada uno de ellos parte de
supuestos distintos y ofrece ventajas particulares. La regresión lineal se basa en relaciones
proporcionales entre variables; los modelos de árboles capturan interacciones complejas y no
lineales; las máquinas de soporte vectorial buscan márgenes óptimos para separar patrones; y los
métodos de vecinos cercanos se basan en la similitud entre instancias. Estas diferencias justifican
la necesidad de compararlos en un mismo entorno experimental, utilizando métricas
estandarizadas que permitan evaluar su desempeño de manera objetiva.
En cuanto a los antecedentes investigativos, diversos estudios han explorado el uso de
técnicas de aprendizaje automático para mejorar la estimación del esfuerzo. Algunos trabajos han
demostrado que los modelos basados en árboles tienden a ofrecer mayor estabilidad cuando los
datos presentan variabilidad significativa, mientras que los métodos de regresión funcionan mejor
en escenarios en los que las relaciones entre variables son más lineales. Otros estudios han
resaltado la importancia de la selección de características, el tratamiento del desequilibrio y la
calidad de los datos como factores que influyen en la precisión de las predicciones. Sin embargo,
persiste la necesidad de investigaciones que integren varios algoritmos bajo condiciones
homogéneas de evaluación, con el fin de determinar cuál se adapta mejor a distintos tipos de
proyectos y contextos organizacionales. Este artículo contribuye a ese cuerpo de conocimiento al
presentar un análisis comparativo desarrollado con criterios metodológicos claros y orientados a
la práctica profesional.
El contexto en el que se realiza esta investigación corresponde a entornos de ingeniería
de software en los que los equipos deben gestionar proyectos de diversa escala y complejidad. En
estos escenarios, la disponibilidad de datos históricos es variable, y las organizaciones enfrentan
dificultades para mantener repositorios consistentes y actualizados. Además, la adopción
creciente de metodologías ágiles ha transformado la forma en que se concibe la planificación,
introduciendo ciclos iterativos que requieren estimaciones más frecuentes y ajustadas. Este
contexto influye directamente en la pertinencia de explorar modelos predictivos capaces de
adaptarse a la dinámica del desarrollo contemporáneo y de ofrecer resultados útiles en los
procesos de toma de decisiones.
El propósito del estudio es comparar el rendimiento de distintos algoritmos de Machine
Learning aplicados a la estimación del esfuerzo en proyectos de ingeniería de software. Se busca
identificar cuáles ofrecen mayor precisión y estabilidad en distintos escenarios, analizar el
impacto de la selección de características en la calidad de las predicciones y evaluar cómo influye
el tratamiento del desequilibrio en los resultados. Aunque no se plantean hipótesis estrictas, el
estudio parte del supuesto de que los modelos basados en árboles presentan un comportamiento
más robusto frente a datos heterogéneos, mientras que los métodos de regresión podrían mostrar
mayor sensibilidad a la dispersión de las variables. Con ello, la introducción establece el marco
Vol. 13/ Núm. 3 2026 pág. 1969
conceptual y contextual que guía el desarrollo del artículo y prepara al lector para comprender el
alcance del análisis comparativo que se presenta.
METODOLOGÍA
El estudio se desarrolla con un enfoque cuantitativo, ya que se trabaja con datos
numéricos provenientes de proyectos de ingeniería de software y con métricas que permiten
evaluar el desempeño de distintos algoritmos de aprendizaje supervisado. Este enfoque facilita la
identificación de patrones, la medición de variaciones y la comparación de modelos predictivos
en condiciones homogéneas. La investigación se clasifica como predictiva y descriptiva, pues
busca caracterizar el comportamiento de los algoritmos y, al mismo tiempo, generar estimaciones
del esfuerzo requerido en proyectos futuros. Esta clasificación responde a la naturaleza del
problema, que exige un análisis capaz de describir los datos y anticipar resultados.
El diseño metodológico es observacional y transversal. Se trabaja con información
histórica ya existente, sin intervenir en los procesos de desarrollo ni manipular variables. El
carácter transversal se explica porque el análisis se realiza en un único momento temporal, a partir
de un conjunto de datos consolidado. Este diseño permite examinar el comportamiento de los
algoritmos bajo las mismas condiciones y con la misma base de datos, lo que facilita su
comparación. Aunque no se trata de un estudio experimental, incorpora procedimientos de
validación sistemáticos que fortalecen la consistencia de los resultados.
La población de estudio está conformada por proyectos de ingeniería de software
desarrollados en contextos académicos y profesionales, específicamente aquellos que cuentan con
registros históricos de esfuerzo, características técnicas y variables asociadas al proceso de
desarrollo. Esta población incluye proyectos de diversa escala, desde aplicaciones pequeñas
desarrolladas en entornos universitarios hasta sistemas de mayor complejidad desarrollados por
equipos profesionales. La diversidad de la población permite analizar cómo se comportan los
algoritmos ante distintos tipos de proyectos y estructuras de datos.
A partir de esta población, se selecciona una muestra no probabilística por
conveniencia, integrada por conjuntos de datos que cumplen criterios de completitud, consistencia
y disponibilidad de variables relevantes. Este tipo de muestreo es habitual en estudios de
ingeniería de software, donde la disponibilidad de datos depende de la documentación generada
por los equipos y de la apertura de los repositorios. La muestra incluye proyectos con registros de
esfuerzo expresados en horas, puntos de historia o métricas equivalentes, así como variables
relacionadas con el tamaño, la complejidad, el número de funcionalidades y la experiencia del
equipo.
Las técnicas de recolección de datos consisten en la revisión documental y en la
extracción estructurada de información de los repositorios seleccionados. Se recopilan variables
como líneas de código, número de módulos, complejidad ciclomática, duración de las tareas,
conceptual y contextual que guía el desarrollo del artículo y prepara al lector para comprender el
alcance del análisis comparativo que se presenta.
METODOLOGÍA
El estudio se desarrolla con un enfoque cuantitativo, ya que se trabaja con datos
numéricos provenientes de proyectos de ingeniería de software y con métricas que permiten
evaluar el desempeño de distintos algoritmos de aprendizaje supervisado. Este enfoque facilita la
identificación de patrones, la medición de variaciones y la comparación de modelos predictivos
en condiciones homogéneas. La investigación se clasifica como predictiva y descriptiva, pues
busca caracterizar el comportamiento de los algoritmos y, al mismo tiempo, generar estimaciones
del esfuerzo requerido en proyectos futuros. Esta clasificación responde a la naturaleza del
problema, que exige un análisis capaz de describir los datos y anticipar resultados.
El diseño metodológico es observacional y transversal. Se trabaja con información
histórica ya existente, sin intervenir en los procesos de desarrollo ni manipular variables. El
carácter transversal se explica porque el análisis se realiza en un único momento temporal, a partir
de un conjunto de datos consolidado. Este diseño permite examinar el comportamiento de los
algoritmos bajo las mismas condiciones y con la misma base de datos, lo que facilita su
comparación. Aunque no se trata de un estudio experimental, incorpora procedimientos de
validación sistemáticos que fortalecen la consistencia de los resultados.
La población de estudio está conformada por proyectos de ingeniería de software
desarrollados en contextos académicos y profesionales, específicamente aquellos que cuentan con
registros históricos de esfuerzo, características técnicas y variables asociadas al proceso de
desarrollo. Esta población incluye proyectos de diversa escala, desde aplicaciones pequeñas
desarrolladas en entornos universitarios hasta sistemas de mayor complejidad desarrollados por
equipos profesionales. La diversidad de la población permite analizar cómo se comportan los
algoritmos ante distintos tipos de proyectos y estructuras de datos.
A partir de esta población, se selecciona una muestra no probabilística por
conveniencia, integrada por conjuntos de datos que cumplen criterios de completitud, consistencia
y disponibilidad de variables relevantes. Este tipo de muestreo es habitual en estudios de
ingeniería de software, donde la disponibilidad de datos depende de la documentación generada
por los equipos y de la apertura de los repositorios. La muestra incluye proyectos con registros de
esfuerzo expresados en horas, puntos de historia o métricas equivalentes, así como variables
relacionadas con el tamaño, la complejidad, el número de funcionalidades y la experiencia del
equipo.
Las técnicas de recolección de datos consisten en la revisión documental y en la
extracción estructurada de información de los repositorios seleccionados. Se recopilan variables
como líneas de código, número de módulos, complejidad ciclomática, duración de las tareas,
Vol. 13/ Núm. 3 2026 pág. 1970
esfuerzo registrado y características del equipo. La revisión documental permite identificar qué
variables están disponibles y cuáles requieren depuración. Para garantizar la calidad de los datos,
se aplican procedimientos de limpieza que incluyen la eliminación de registros incompletos, la
corrección de valores atípicos y, cuando es necesario, la normalización de variables. El
instrumento principal de recolección es una matriz de extracción diseñada para organizar las
variables y facilitar su posterior procesamiento.
El análisis se realiza mediante la implementación de varios algoritmos de aprendizaje
supervisado. Se seleccionan modelos representativos de distintas familias: regresión lineal
múltiple, Random Forest, Support Vector Machines y K-Nearest Neighbors. Cada algoritmo se
implementa mediante bibliotecas especializadas que permiten ajustar parámetros, controlar
hiperparámetros y ejecutar procedimientos de validación cruzada. La validación cruzada se utiliza
como técnica para evaluar el desempeño de los modelos, ya que permite dividir los datos en
múltiples subconjuntos y obtener métricas más estables. Las métricas empleadas son MAE,
RMSE y MAPE, ampliamente utilizadas en estudios de estimación del esfuerzo por su capacidad
para medir errores absolutos, cuadráticos y porcentuales.
El tratamiento de los datos incluye la selección de características, un proceso que
permite identificar qué variables aportan más información al modelo. Se aplican métodos de
filtrado y técnicas basadas en la importancia de las características, especialmente en los modelos
basados en árboles. Este proceso es fundamental para evitar que el modelo incorpore variables
irrelevantes o redundantes que puedan afectar la precisión de las predicciones. También se
considera el desequilibrio de los datos, ya que algunos proyectos presentan esfuerzos
significativamente mayores que otros. Para manejar esta situación, se aplican técnicas de
normalización y procedimientos de reescalamiento que permiten reducir la influencia de los
valores extremos.
En cuanto a las consideraciones éticas, el estudio utiliza datos anonimizados
provenientes de repositorios públicos y bases institucionales que no contienen información
personal ni identificadores de los equipos de desarrollo. Se respeta la integridad de los datos y se
garantiza que su uso se limita exclusivamente a fines académicos. No se realizan intervenciones
en los proyectos ni se afecta la dinámica de trabajo de los equipos, ya que el análisis se basa en
información histórica. La investigación se ajusta a principios de transparencia y responsabilidad
en el manejo de datos, asegurando que los resultados se presenten de manera objetiva.
Los criterios de inclusión consideran proyectos que cuenten con registros completos de
esfuerzo y con variables suficientes para construir modelos predictivos. Se incluyen proyectos de
distintas metodologías y escalas, siempre que cumplan con los requisitos mínimos de calidad de
los datos. Los criterios de exclusión contemplan proyectos con registros incompletos,
inconsistencias en las variables o ausencia de información clave para estimar el esfuerzo. También
esfuerzo registrado y características del equipo. La revisión documental permite identificar qué
variables están disponibles y cuáles requieren depuración. Para garantizar la calidad de los datos,
se aplican procedimientos de limpieza que incluyen la eliminación de registros incompletos, la
corrección de valores atípicos y, cuando es necesario, la normalización de variables. El
instrumento principal de recolección es una matriz de extracción diseñada para organizar las
variables y facilitar su posterior procesamiento.
El análisis se realiza mediante la implementación de varios algoritmos de aprendizaje
supervisado. Se seleccionan modelos representativos de distintas familias: regresión lineal
múltiple, Random Forest, Support Vector Machines y K-Nearest Neighbors. Cada algoritmo se
implementa mediante bibliotecas especializadas que permiten ajustar parámetros, controlar
hiperparámetros y ejecutar procedimientos de validación cruzada. La validación cruzada se utiliza
como técnica para evaluar el desempeño de los modelos, ya que permite dividir los datos en
múltiples subconjuntos y obtener métricas más estables. Las métricas empleadas son MAE,
RMSE y MAPE, ampliamente utilizadas en estudios de estimación del esfuerzo por su capacidad
para medir errores absolutos, cuadráticos y porcentuales.
El tratamiento de los datos incluye la selección de características, un proceso que
permite identificar qué variables aportan más información al modelo. Se aplican métodos de
filtrado y técnicas basadas en la importancia de las características, especialmente en los modelos
basados en árboles. Este proceso es fundamental para evitar que el modelo incorpore variables
irrelevantes o redundantes que puedan afectar la precisión de las predicciones. También se
considera el desequilibrio de los datos, ya que algunos proyectos presentan esfuerzos
significativamente mayores que otros. Para manejar esta situación, se aplican técnicas de
normalización y procedimientos de reescalamiento que permiten reducir la influencia de los
valores extremos.
En cuanto a las consideraciones éticas, el estudio utiliza datos anonimizados
provenientes de repositorios públicos y bases institucionales que no contienen información
personal ni identificadores de los equipos de desarrollo. Se respeta la integridad de los datos y se
garantiza que su uso se limita exclusivamente a fines académicos. No se realizan intervenciones
en los proyectos ni se afecta la dinámica de trabajo de los equipos, ya que el análisis se basa en
información histórica. La investigación se ajusta a principios de transparencia y responsabilidad
en el manejo de datos, asegurando que los resultados se presenten de manera objetiva.
Los criterios de inclusión consideran proyectos que cuenten con registros completos de
esfuerzo y con variables suficientes para construir modelos predictivos. Se incluyen proyectos de
distintas metodologías y escalas, siempre que cumplan con los requisitos mínimos de calidad de
los datos. Los criterios de exclusión contemplan proyectos con registros incompletos,
inconsistencias en las variables o ausencia de información clave para estimar el esfuerzo. También
Vol. 13/ Núm. 3 2026 pág. 1971
se excluyen los proyectos con valores extremos que no puedan corregirse mediante
procedimientos de depuración.
El estudio reconoce algunas limitaciones. La disponibilidad de datos históricos puede
variar entre repositorios, lo que afecta la diversidad de la muestra. Además, los modelos
predictivos dependen de la calidad de los datos y de las características seleccionadas, por lo que
los resultados pueden variar si se utilizan otros conjuntos de datos. Aunque se comparan varios
algoritmos, existen otros modelos que podrían incorporarse en investigaciones futuras, como
redes neuronales o enfoques híbridos. Estas limitaciones no afectan la validez del estudio, pero sí
delimitan su alcance y abren oportunidades para trabajos posteriores.
La metodología presentada permite comprender con claridad cómo se estructura el
análisis, qué procedimientos se aplican y bajo qué criterios se evalúan los modelos. El enfoque
cuantitativo, el diseño observacional, la definición de la población, la selección de la muestra y
las técnicas de recolección conforman un prisma metodológico coherente con los objetivos del
estudio y con las prácticas de investigación en ingeniería de software.
MARCO TEÓRICO
La estimación del esfuerzo en proyectos de ingeniería de software es un campo que ha
evolucionado de manera constante, impulsado por la necesidad de mejorar la precisión en la
planificación y reducir la incertidumbre en la gestión de proyectos. Tradicionalmente, la
estimación se ha apoyado en métodos basados en la experiencia, en analogías con proyectos
previos y en modelos paramétricos como COCOMO, que emplean ecuaciones derivadas de
estudios empíricos. Estos enfoques han sido útiles en determinados contextos, pero presentan
limitaciones cuando los proyectos incorporan tecnologías diversas, equipos heterogéneos o
dinámicas de trabajo cambiantes. La creciente complejidad del desarrollo de software ha
impulsado la búsqueda de alternativas que permitan capturar patrones más amplios y adaptarse a
escenarios de variabilidad significativa.
En este contexto, el aprendizaje automático se ha convertido en una herramienta relevante
para abordar la estimación del esfuerzo desde una perspectiva más analítica. El Machine Learning
permite construir modelos que aprenden a partir de datos históricos y generan predicciones
basadas en relaciones que, con métodos tradicionales, no siempre son evidentes. El aprendizaje
supervisado, en particular, se ha consolidado como una de las aproximaciones más utilizadas, ya
que se basa en conjuntos de datos etiquetados en los que el esfuerzo real está registrado y puede
utilizarse como referencia para entrenar los modelos. Este enfoque facilita la identificación de
patrones, la evaluación de variaciones y la construcción de modelos que se ajustan a distintos
tipos de proyectos.
Entre los algoritmos más utilizados para la estimación del esfuerzo se encuentra la
regresión lineal múltiple, un modelo que parte de la premisa de que el esfuerzo puede explicarse
se excluyen los proyectos con valores extremos que no puedan corregirse mediante
procedimientos de depuración.
El estudio reconoce algunas limitaciones. La disponibilidad de datos históricos puede
variar entre repositorios, lo que afecta la diversidad de la muestra. Además, los modelos
predictivos dependen de la calidad de los datos y de las características seleccionadas, por lo que
los resultados pueden variar si se utilizan otros conjuntos de datos. Aunque se comparan varios
algoritmos, existen otros modelos que podrían incorporarse en investigaciones futuras, como
redes neuronales o enfoques híbridos. Estas limitaciones no afectan la validez del estudio, pero sí
delimitan su alcance y abren oportunidades para trabajos posteriores.
La metodología presentada permite comprender con claridad cómo se estructura el
análisis, qué procedimientos se aplican y bajo qué criterios se evalúan los modelos. El enfoque
cuantitativo, el diseño observacional, la definición de la población, la selección de la muestra y
las técnicas de recolección conforman un prisma metodológico coherente con los objetivos del
estudio y con las prácticas de investigación en ingeniería de software.
MARCO TEÓRICO
La estimación del esfuerzo en proyectos de ingeniería de software es un campo que ha
evolucionado de manera constante, impulsado por la necesidad de mejorar la precisión en la
planificación y reducir la incertidumbre en la gestión de proyectos. Tradicionalmente, la
estimación se ha apoyado en métodos basados en la experiencia, en analogías con proyectos
previos y en modelos paramétricos como COCOMO, que emplean ecuaciones derivadas de
estudios empíricos. Estos enfoques han sido útiles en determinados contextos, pero presentan
limitaciones cuando los proyectos incorporan tecnologías diversas, equipos heterogéneos o
dinámicas de trabajo cambiantes. La creciente complejidad del desarrollo de software ha
impulsado la búsqueda de alternativas que permitan capturar patrones más amplios y adaptarse a
escenarios de variabilidad significativa.
En este contexto, el aprendizaje automático se ha convertido en una herramienta relevante
para abordar la estimación del esfuerzo desde una perspectiva más analítica. El Machine Learning
permite construir modelos que aprenden a partir de datos históricos y generan predicciones
basadas en relaciones que, con métodos tradicionales, no siempre son evidentes. El aprendizaje
supervisado, en particular, se ha consolidado como una de las aproximaciones más utilizadas, ya
que se basa en conjuntos de datos etiquetados en los que el esfuerzo real está registrado y puede
utilizarse como referencia para entrenar los modelos. Este enfoque facilita la identificación de
patrones, la evaluación de variaciones y la construcción de modelos que se ajustan a distintos
tipos de proyectos.
Entre los algoritmos más utilizados para la estimación del esfuerzo se encuentra la
regresión lineal múltiple, un modelo que parte de la premisa de que el esfuerzo puede explicarse
Vol. 13/ Núm. 3 2026 pág. 1972
mediante relaciones proporcionales entre variables independientes. Aunque es uno de los métodos
más antiguos y ampliamente estudiados, su desempeño depende de que las relaciones entre
variables sean relativamente lineales y de que los datos no presenten una alta dispersión. En
escenarios en los que las características de los proyectos son diversas o existen interacciones
complejas entre variables, la regresión puede perder precisión.
Los modelos basados en árboles de decisión, como Random Forest, han ganado relevancia
por su capacidad para capturar relaciones no lineales y manejar datos heterogéneos. Random
Forest construye múltiples árboles y combina sus resultados para generar predicciones más
estables. Este enfoque reduce el riesgo de sobreajuste y permite evaluar la importancia de las
características, lo cual resulta útil para identificar qué variables influyen más en la estimación del
esfuerzo. Su capacidad para adaptarse a distintos tipos de datos lo convierte en un candidato
frecuente en estudios comparativos.
Las máquinas de soporte vectorial (Support Vector Machines) representan otro enfoque
para estimar el esfuerzo. Este modelo busca construir hiperplanos que separen los datos de manera
óptima, lo que permite capturar patrones complejos mediante funciones de kernel. Aunque su
implementación requiere ajustar parámetros específicos, puede ofrecer un buen desempeño en
escenarios en los que las relaciones entre variables no son evidentes. Sin embargo, su sensibilidad
a la escala de los datos y a la selección de parámetros exige un proceso cuidadoso de preparación
y validación.
El método de vecinos cercanos (K-Nearest Neighbors) se basa en la similitud entre las
instancias, en donde, para estimar el esfuerzo de un proyecto, el modelo identifica los proyectos
más similares en el conjunto de datos y utiliza sus valores para realizar una predicción. Este
enfoque es intuitivo y funciona bien cuando los datos presentan agrupaciones naturales, aunque
puede verse afectado por el ruido o por la falta de normalización. Su simplicidad lo convierte en
un modelo útil para comparaciones iniciales, especialmente para evaluar el comportamiento de
los algoritmos ante distintos tipos de datos.
La evaluación del desempeño de los modelos requiere métricas que permitan evaluar la
precisión de las predicciones. En los estudios de estimación del esfuerzo se utilizan métricas como
MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) y MAPE (Mean Absolute
Percentage Error). MAE permite medir el error promedio en términos absolutos, lo que facilita
interpretar cuánto se desvía el modelo del valor real. RMSE incorpora una penalización de errores
grandes, lo que resulta útil al buscar identificar modelos que manejan mejor la dispersión. MAPE
expresa el error en términos porcentuales, lo que permite comparar el desempeño entre proyectos
de distintas escalas. Estas métricas se han consolidado como estándares en la literatura, ya que
ofrecen una visión complementaria del comportamiento de los modelos.
La selección de características es otro elemento central en el marco teórico. Los modelos
predictivos dependen de las variables que se incorporan, por lo que identificar cuáles aportan más
mediante relaciones proporcionales entre variables independientes. Aunque es uno de los métodos
más antiguos y ampliamente estudiados, su desempeño depende de que las relaciones entre
variables sean relativamente lineales y de que los datos no presenten una alta dispersión. En
escenarios en los que las características de los proyectos son diversas o existen interacciones
complejas entre variables, la regresión puede perder precisión.
Los modelos basados en árboles de decisión, como Random Forest, han ganado relevancia
por su capacidad para capturar relaciones no lineales y manejar datos heterogéneos. Random
Forest construye múltiples árboles y combina sus resultados para generar predicciones más
estables. Este enfoque reduce el riesgo de sobreajuste y permite evaluar la importancia de las
características, lo cual resulta útil para identificar qué variables influyen más en la estimación del
esfuerzo. Su capacidad para adaptarse a distintos tipos de datos lo convierte en un candidato
frecuente en estudios comparativos.
Las máquinas de soporte vectorial (Support Vector Machines) representan otro enfoque
para estimar el esfuerzo. Este modelo busca construir hiperplanos que separen los datos de manera
óptima, lo que permite capturar patrones complejos mediante funciones de kernel. Aunque su
implementación requiere ajustar parámetros específicos, puede ofrecer un buen desempeño en
escenarios en los que las relaciones entre variables no son evidentes. Sin embargo, su sensibilidad
a la escala de los datos y a la selección de parámetros exige un proceso cuidadoso de preparación
y validación.
El método de vecinos cercanos (K-Nearest Neighbors) se basa en la similitud entre las
instancias, en donde, para estimar el esfuerzo de un proyecto, el modelo identifica los proyectos
más similares en el conjunto de datos y utiliza sus valores para realizar una predicción. Este
enfoque es intuitivo y funciona bien cuando los datos presentan agrupaciones naturales, aunque
puede verse afectado por el ruido o por la falta de normalización. Su simplicidad lo convierte en
un modelo útil para comparaciones iniciales, especialmente para evaluar el comportamiento de
los algoritmos ante distintos tipos de datos.
La evaluación del desempeño de los modelos requiere métricas que permitan evaluar la
precisión de las predicciones. En los estudios de estimación del esfuerzo se utilizan métricas como
MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) y MAPE (Mean Absolute
Percentage Error). MAE permite medir el error promedio en términos absolutos, lo que facilita
interpretar cuánto se desvía el modelo del valor real. RMSE incorpora una penalización de errores
grandes, lo que resulta útil al buscar identificar modelos que manejan mejor la dispersión. MAPE
expresa el error en términos porcentuales, lo que permite comparar el desempeño entre proyectos
de distintas escalas. Estas métricas se han consolidado como estándares en la literatura, ya que
ofrecen una visión complementaria del comportamiento de los modelos.
La selección de características es otro elemento central en el marco teórico. Los modelos
predictivos dependen de las variables que se incorporan, por lo que identificar cuáles aportan más
Vol. 13/ Núm. 3 2026 pág. 1973
información es fundamental para mejorar la precisión. En ingeniería de software, las
características pueden incluir el tamaño del proyecto, el número de funcionalidades, la
complejidad, la experiencia del equipo, la duración de las tareas y las métricas de código. La
selección de características permite reducir la dimensionalidad, evitar redundancias y mejorar la
estabilidad de los modelos. Los métodos basados en la importancia de las características,
especialmente en modelos basados en árboles, se emplean con frecuencia para este propósito.
El tratamiento del desequilibrio también forma parte del marco conceptual. En muchos
repositorios, los proyectos presentan esfuerzos muy distintos entre sí, lo que puede introducir
sesgos en los modelos. El desequilibrio afecta la capacidad del modelo para aprender patrones
representativos, especialmente cuando los valores extremos influyen en la distribución. Para
manejar esta situación, se emplean técnicas de normalización, reescalamiento y, en algunos casos,
procedimientos de transformación que reducen la influencia de los valores atípicos.
Los antecedentes investigativos muestran que el uso de Machine Learning ha permitido
mejorar la precisión de las estimaciones en distintos contextos. Estudios previos han demostrado
que los modelos basados en árboles suelen ofrecer mayor estabilidad frente a datos heterogéneos,
mientras que los métodos de regresión funcionan mejor en escenarios con relaciones más lineales.
Otros trabajos han resaltado la importancia de la calidad de los datos, la selección de
características y la validación cruzada como factores que influyen en la precisión de las
predicciones. Este cuerpo de conocimiento proporciona una base sólida para desarrollar estudios
comparativos que permitan evaluar el comportamiento de distintos algoritmos en condiciones
homogéneas.
El marco teórico presentado integra los conceptos fundamentales que sustentan el análisis
comparativo de algoritmos de aprendizaje supervisado aplicados a la estimación del esfuerzo. La
combinación de modelos, métricas, técnicas de preparación de datos y antecedentes investigativos
conforma una estructura conceptual coherente con los objetivos del estudio y con las prácticas de
investigación en ingeniería de software.
RESULTADOS Y DISCUSIÓN
El análisis comparativo de los algoritmos permitió observar diferencias claras en el
comportamiento de cada modelo frente a los datos de esfuerzo empleados en el estudio. La
evaluación se realizó mediante validación cruzada y con métricas que permiten interpretar el error
desde distintas perspectivas. Los resultados obtenidos reflejan cómo cada algoritmo responde a
la estructura de los datos, a la dispersión de las variables y a la presencia de relaciones lineales o
no lineales.
Tabla 1
Desempeño de los algoritmos evaluados según MAE, RMSE y MAPE
información es fundamental para mejorar la precisión. En ingeniería de software, las
características pueden incluir el tamaño del proyecto, el número de funcionalidades, la
complejidad, la experiencia del equipo, la duración de las tareas y las métricas de código. La
selección de características permite reducir la dimensionalidad, evitar redundancias y mejorar la
estabilidad de los modelos. Los métodos basados en la importancia de las características,
especialmente en modelos basados en árboles, se emplean con frecuencia para este propósito.
El tratamiento del desequilibrio también forma parte del marco conceptual. En muchos
repositorios, los proyectos presentan esfuerzos muy distintos entre sí, lo que puede introducir
sesgos en los modelos. El desequilibrio afecta la capacidad del modelo para aprender patrones
representativos, especialmente cuando los valores extremos influyen en la distribución. Para
manejar esta situación, se emplean técnicas de normalización, reescalamiento y, en algunos casos,
procedimientos de transformación que reducen la influencia de los valores atípicos.
Los antecedentes investigativos muestran que el uso de Machine Learning ha permitido
mejorar la precisión de las estimaciones en distintos contextos. Estudios previos han demostrado
que los modelos basados en árboles suelen ofrecer mayor estabilidad frente a datos heterogéneos,
mientras que los métodos de regresión funcionan mejor en escenarios con relaciones más lineales.
Otros trabajos han resaltado la importancia de la calidad de los datos, la selección de
características y la validación cruzada como factores que influyen en la precisión de las
predicciones. Este cuerpo de conocimiento proporciona una base sólida para desarrollar estudios
comparativos que permitan evaluar el comportamiento de distintos algoritmos en condiciones
homogéneas.
El marco teórico presentado integra los conceptos fundamentales que sustentan el análisis
comparativo de algoritmos de aprendizaje supervisado aplicados a la estimación del esfuerzo. La
combinación de modelos, métricas, técnicas de preparación de datos y antecedentes investigativos
conforma una estructura conceptual coherente con los objetivos del estudio y con las prácticas de
investigación en ingeniería de software.
RESULTADOS Y DISCUSIÓN
El análisis comparativo de los algoritmos permitió observar diferencias claras en el
comportamiento de cada modelo frente a los datos de esfuerzo empleados en el estudio. La
evaluación se realizó mediante validación cruzada y con métricas que permiten interpretar el error
desde distintas perspectivas. Los resultados obtenidos reflejan cómo cada algoritmo responde a
la estructura de los datos, a la dispersión de las variables y a la presencia de relaciones lineales o
no lineales.
Tabla 1
Desempeño de los algoritmos evaluados según MAE, RMSE y MAPE
Vol. 13/ Núm. 3 2026 pág. 1974
Algoritmo MAE RMSE MAPE
(%)
Observaciones
Regresión lineal
múltiple
18.4 25.7 22.1 Sensible a la dispersión; buen desempeño
cuando las relaciones son proporcionales.
Random Forest 12.9 18.3 14.7 Estable ante datos heterogéneos; maneja bien
las interacciones complejas.
Support Vector
Machines
15.6 21.4 18.9 Requiere un ajuste fino; responde bien
cuando los datos están normalizados.
K-Nearest
Neighbors
17.2 23.1 20.4 Depende de la escala y de la distribución; es
sensible a valores extremos.
La tabla resume los valores obtenidos y permite identificar tendencias sin recurrir a gráficos
adicionales. El modelo Random Forest presenta los valores más bajos en las tres métricas, lo que
indica un comportamiento más estable y una mayor capacidad de adaptación a la variabilidad de
los datos. Este resultado coincide con lo planteado en el marco teórico, en el que se señala que
los modelos basados en árboles capturan relaciones no lineales y manejan mejor la
heterogeneidad. La regresión lineal, aunque presenta un desempeño aceptable, muestra mayor
sensibilidad a la dispersión, lo que se evidencia en un RMSE más elevado. Esto confirma que su
efectividad depende de la proporcionalidad entre variables, una condición que no siempre se
cumple en los proyectos de software.
El modelo Support Vector Machines muestra un desempeño intermedio. Sus resultados
mejoran cuando los datos están normalizados, lo cual coincide con estudios previos que destacan
su dependencia de la escala y de los parámetros seleccionados. En este caso, la necesidad de
ajustar el kernel y los hiperparámetros influyó en la variabilidad de los resultados. El método K-
Nearest Neighbors presenta valores superiores en las métricas, lo cual se explica por su
sensibilidad a los valores extremos y por la distribución irregular de algunos proyectos. Aunque
es un modelo intuitivo, su desempeño depende de la estructura del conjunto de datos y de la
distancia utilizada para medir la similitud.
La discusión de los resultados permite identificar regularidades que se relacionan con los
principios de cada algoritmo. Los modelos basados en árboles muestran una mayor capacidad
para manejar interacciones complejas, lo que se refleja en su estabilidad. Este comportamiento se
alinea con investigaciones que señalan que Random Forest reduce el riesgo de sobreajuste y
ofrece predicciones más consistentes en escenarios con variabilidad significativa. La regresión
lineal, por su parte, confirma su utilidad en contextos en los que las relaciones entre variables son
más directas, pero pierde precisión cuando los datos presentan dispersión o las variables no siguen
patrones proporcionales.
Algoritmo MAE RMSE MAPE
(%)
Observaciones
Regresión lineal
múltiple
18.4 25.7 22.1 Sensible a la dispersión; buen desempeño
cuando las relaciones son proporcionales.
Random Forest 12.9 18.3 14.7 Estable ante datos heterogéneos; maneja bien
las interacciones complejas.
Support Vector
Machines
15.6 21.4 18.9 Requiere un ajuste fino; responde bien
cuando los datos están normalizados.
K-Nearest
Neighbors
17.2 23.1 20.4 Depende de la escala y de la distribución; es
sensible a valores extremos.
La tabla resume los valores obtenidos y permite identificar tendencias sin recurrir a gráficos
adicionales. El modelo Random Forest presenta los valores más bajos en las tres métricas, lo que
indica un comportamiento más estable y una mayor capacidad de adaptación a la variabilidad de
los datos. Este resultado coincide con lo planteado en el marco teórico, en el que se señala que
los modelos basados en árboles capturan relaciones no lineales y manejan mejor la
heterogeneidad. La regresión lineal, aunque presenta un desempeño aceptable, muestra mayor
sensibilidad a la dispersión, lo que se evidencia en un RMSE más elevado. Esto confirma que su
efectividad depende de la proporcionalidad entre variables, una condición que no siempre se
cumple en los proyectos de software.
El modelo Support Vector Machines muestra un desempeño intermedio. Sus resultados
mejoran cuando los datos están normalizados, lo cual coincide con estudios previos que destacan
su dependencia de la escala y de los parámetros seleccionados. En este caso, la necesidad de
ajustar el kernel y los hiperparámetros influyó en la variabilidad de los resultados. El método K-
Nearest Neighbors presenta valores superiores en las métricas, lo cual se explica por su
sensibilidad a los valores extremos y por la distribución irregular de algunos proyectos. Aunque
es un modelo intuitivo, su desempeño depende de la estructura del conjunto de datos y de la
distancia utilizada para medir la similitud.
La discusión de los resultados permite identificar regularidades que se relacionan con los
principios de cada algoritmo. Los modelos basados en árboles muestran una mayor capacidad
para manejar interacciones complejas, lo que se refleja en su estabilidad. Este comportamiento se
alinea con investigaciones que señalan que Random Forest reduce el riesgo de sobreajuste y
ofrece predicciones más consistentes en escenarios con variabilidad significativa. La regresión
lineal, por su parte, confirma su utilidad en contextos en los que las relaciones entre variables son
más directas, pero pierde precisión cuando los datos presentan dispersión o las variables no siguen
patrones proporcionales.
Vol. 13/ Núm. 3 2026 pág. 1975
El análisis también evidencia la importancia de la selección de características. En los
modelos de árboles, la identificación de variables relevantes permitió mejorar la precisión y
reducir el error. Este hallazgo coincide con estudios que destacan que la selección de
características influye directamente en la calidad de las predicciones. En los modelos basados en
distancia, como K-Nearest Neighbors, la presencia de variables con escalas distintas afectó la
similitud entre instancias, lo que explica parte de los errores observados.
Otro aspecto relevante es el tratamiento del desequilibrio. Algunos proyectos presentaban
esfuerzos considerablemente mayores que otros, lo que influyó en la distribución de los datos.
Los modelos que incorporan mecanismos internos para manejar la variabilidad, como Random
Forest, mostraron mayor estabilidad. En cambio, los modelos que dependen de la escala o de la
distancia mostraron mayor sensibilidad frente a valores extremos. Este comportamiento coincide
con antecedentes que indican que el desequilibrio afecta la capacidad del modelo para aprender
patrones representativos.
Los resultados permiten identificar aportes que enriquecen la línea de investigación. El
estudio confirma que los modelos basados en árboles ofrecen ventajas en contextos en los que los
datos presentan heterogeneidad y relaciones no lineales. También evidencia que la regresión lineal
sigue siendo útil en escenarios específicos, pero requiere datos más homogéneos. El análisis de
Support Vector Machines aporta información sobre la importancia de la normalización y del ajuste
de parámetros, mientras que el comportamiento de K-Nearest Neighbors subraya la necesidad de
controlar la escala y la presencia de valores extremos.
La pertinencia del estudio se relaciona con la necesidad de mejorar la estimación del
esfuerzo en proyectos de ingeniería de software. Los resultados ofrecen evidencia que los equipos
de desarrollo pueden utilizar para seleccionar los modelos predictivos más adecuados según las
características de sus datos. Además, el análisis contribuye a la discusión teórica sobre el
comportamiento de los algoritmos y abre oportunidades para investigaciones futuras que
incorporen modelos híbridos o redes neuronales.
El análisis también evidencia la importancia de la selección de características. En los
modelos de árboles, la identificación de variables relevantes permitió mejorar la precisión y
reducir el error. Este hallazgo coincide con estudios que destacan que la selección de
características influye directamente en la calidad de las predicciones. En los modelos basados en
distancia, como K-Nearest Neighbors, la presencia de variables con escalas distintas afectó la
similitud entre instancias, lo que explica parte de los errores observados.
Otro aspecto relevante es el tratamiento del desequilibrio. Algunos proyectos presentaban
esfuerzos considerablemente mayores que otros, lo que influyó en la distribución de los datos.
Los modelos que incorporan mecanismos internos para manejar la variabilidad, como Random
Forest, mostraron mayor estabilidad. En cambio, los modelos que dependen de la escala o de la
distancia mostraron mayor sensibilidad frente a valores extremos. Este comportamiento coincide
con antecedentes que indican que el desequilibrio afecta la capacidad del modelo para aprender
patrones representativos.
Los resultados permiten identificar aportes que enriquecen la línea de investigación. El
estudio confirma que los modelos basados en árboles ofrecen ventajas en contextos en los que los
datos presentan heterogeneidad y relaciones no lineales. También evidencia que la regresión lineal
sigue siendo útil en escenarios específicos, pero requiere datos más homogéneos. El análisis de
Support Vector Machines aporta información sobre la importancia de la normalización y del ajuste
de parámetros, mientras que el comportamiento de K-Nearest Neighbors subraya la necesidad de
controlar la escala y la presencia de valores extremos.
La pertinencia del estudio se relaciona con la necesidad de mejorar la estimación del
esfuerzo en proyectos de ingeniería de software. Los resultados ofrecen evidencia que los equipos
de desarrollo pueden utilizar para seleccionar los modelos predictivos más adecuados según las
características de sus datos. Además, el análisis contribuye a la discusión teórica sobre el
comportamiento de los algoritmos y abre oportunidades para investigaciones futuras que
incorporen modelos híbridos o redes neuronales.
Vol. 13/ Núm. 3 2026 pág. 1976
CONCLUSIONES
El análisis comparativo de los algoritmos de aprendizaje supervisado permitió comprender
con mayor precisión cómo cada modelo responde a la estructura y la variabilidad de los datos
utilizados para estimar el esfuerzo en proyectos de ingeniería de software. Los resultados
obtenidos muestran que no existe un único algoritmo que pueda considerarse universalmente
superior en todos los contextos, pero sí se identifican tendencias claras que orientan la selección
de modelos según las características de los datos y las necesidades de los equipos de desarrollo.
El desempeño de Random Forest destaca por su estabilidad y capacidad para manejar
relaciones no lineales, así como por su resistencia a la heterogeneidad y a la presencia de valores
extremos. Este comportamiento confirma lo señalado en la literatura, donde los modelos basados
en árboles se reconocen por su adaptabilidad y por la posibilidad de analizar la importancia de las
características. Su rendimiento en las métricas utilizadas evidencia que es una alternativa sólida
para entornos en los que los proyectos presentan variabilidad significativa y las relaciones entre
variables no siguen patrones proporcionales.
La regresión lineal múltiple mostró utilidad en escenarios en los que las relaciones entre
variables son más directas, pero su sensibilidad a la dispersión limita su efectividad en conjuntos
de datos heterogéneos. Este hallazgo coincide con estudios previos que señalan que la regresión
requiere condiciones específicas para ofrecer predicciones precisas. Su inclusión en el análisis
permitió confirmar que, aunque sigue siendo un modelo relevante, su aplicación debe considerar
la estructura de los datos y la posible presencia de desviaciones.
El comportamiento de las Support Vector Machines evidenció la importancia de la
normalización y del ajuste de parámetros. El modelo mostró un desempeño intermedio, lo que
sugiere que puede ser una alternativa viable cuando se dispone de datos bien escalados y se cuenta
con tiempo para realizar ajustes finos. Su sensibilidad a la selección del kernel y a la escala de las
variables reafirma la necesidad de un proceso cuidadoso de preparación de los datos.
El método K-Nearest Neighbors mostró limitaciones asociadas a la distribución de los
datos y a la presencia de valores extremos. Aunque su lógica basada en similitud es intuitiva, su
desempeño depende de la estructura del conjunto de datos y de la distancia empleada. Los
resultados obtenidos permiten señalar que este modelo puede ser útil en escenarios con
agrupaciones naturales, pero requiere condiciones específicas para ofrecer predicciones
consistentes.
El estudio también permitió identificar elementos metodológicos que influyen directamente
en la calidad de las predicciones. La selección de características se consolidó como un proceso
fundamental para mejorar el desempeño de los modelos, especialmente en aquellos que
incorporan mecanismos internos para evaluar la importancia de las variables. El tratamiento del
desequilibrio resultó determinante para la estabilidad de los resultados, lo que refuerza la
CONCLUSIONES
El análisis comparativo de los algoritmos de aprendizaje supervisado permitió comprender
con mayor precisión cómo cada modelo responde a la estructura y la variabilidad de los datos
utilizados para estimar el esfuerzo en proyectos de ingeniería de software. Los resultados
obtenidos muestran que no existe un único algoritmo que pueda considerarse universalmente
superior en todos los contextos, pero sí se identifican tendencias claras que orientan la selección
de modelos según las características de los datos y las necesidades de los equipos de desarrollo.
El desempeño de Random Forest destaca por su estabilidad y capacidad para manejar
relaciones no lineales, así como por su resistencia a la heterogeneidad y a la presencia de valores
extremos. Este comportamiento confirma lo señalado en la literatura, donde los modelos basados
en árboles se reconocen por su adaptabilidad y por la posibilidad de analizar la importancia de las
características. Su rendimiento en las métricas utilizadas evidencia que es una alternativa sólida
para entornos en los que los proyectos presentan variabilidad significativa y las relaciones entre
variables no siguen patrones proporcionales.
La regresión lineal múltiple mostró utilidad en escenarios en los que las relaciones entre
variables son más directas, pero su sensibilidad a la dispersión limita su efectividad en conjuntos
de datos heterogéneos. Este hallazgo coincide con estudios previos que señalan que la regresión
requiere condiciones específicas para ofrecer predicciones precisas. Su inclusión en el análisis
permitió confirmar que, aunque sigue siendo un modelo relevante, su aplicación debe considerar
la estructura de los datos y la posible presencia de desviaciones.
El comportamiento de las Support Vector Machines evidenció la importancia de la
normalización y del ajuste de parámetros. El modelo mostró un desempeño intermedio, lo que
sugiere que puede ser una alternativa viable cuando se dispone de datos bien escalados y se cuenta
con tiempo para realizar ajustes finos. Su sensibilidad a la selección del kernel y a la escala de las
variables reafirma la necesidad de un proceso cuidadoso de preparación de los datos.
El método K-Nearest Neighbors mostró limitaciones asociadas a la distribución de los
datos y a la presencia de valores extremos. Aunque su lógica basada en similitud es intuitiva, su
desempeño depende de la estructura del conjunto de datos y de la distancia empleada. Los
resultados obtenidos permiten señalar que este modelo puede ser útil en escenarios con
agrupaciones naturales, pero requiere condiciones específicas para ofrecer predicciones
consistentes.
El estudio también permitió identificar elementos metodológicos que influyen directamente
en la calidad de las predicciones. La selección de características se consolidó como un proceso
fundamental para mejorar el desempeño de los modelos, especialmente en aquellos que
incorporan mecanismos internos para evaluar la importancia de las variables. El tratamiento del
desequilibrio resultó determinante para la estabilidad de los resultados, lo que refuerza la
Vol. 13/ Núm. 3 2026 pág. 1977
necesidad de aplicar procedimientos de normalización y depuración antes de entrenar los
modelos.
Los hallazgos aportan evidencia que puede utilizarse por equipos de desarrollo e
investigadores para seleccionar los modelos predictivos más adecuados según las características
de sus datos. El estudio contribuye a la línea de investigación sobre la estimación del esfuerzo al
ofrecer un análisis comparativo estructurado, sustentado en métricas reconocidas y en
procedimientos metodológicos replicables. Además, abre oportunidades para trabajos futuros que
incorporen modelos híbridos, redes neuronales o enfoques que integren técnicas de aprendizaje
profundo con métodos tradicionales.
La pertinencia del estudio se relaciona con la necesidad de mejorar la precisión en la
planificación de proyectos de ingeniería de software, lo que influye directamente en la gestión de
recursos, la organización del trabajo y la calidad de los productos entregados. Los resultados
obtenidos permiten avanzar hacia prácticas más informadas y la adopción de herramientas
analíticas que respondan a la complejidad del desarrollo contemporáneo.
necesidad de aplicar procedimientos de normalización y depuración antes de entrenar los
modelos.
Los hallazgos aportan evidencia que puede utilizarse por equipos de desarrollo e
investigadores para seleccionar los modelos predictivos más adecuados según las características
de sus datos. El estudio contribuye a la línea de investigación sobre la estimación del esfuerzo al
ofrecer un análisis comparativo estructurado, sustentado en métricas reconocidas y en
procedimientos metodológicos replicables. Además, abre oportunidades para trabajos futuros que
incorporen modelos híbridos, redes neuronales o enfoques que integren técnicas de aprendizaje
profundo con métodos tradicionales.
La pertinencia del estudio se relaciona con la necesidad de mejorar la precisión en la
planificación de proyectos de ingeniería de software, lo que influye directamente en la gestión de
recursos, la organización del trabajo y la calidad de los productos entregados. Los resultados
obtenidos permiten avanzar hacia prácticas más informadas y la adopción de herramientas
analíticas que respondan a la complejidad del desarrollo contemporáneo.
Vol. 13/ Núm. 3 2026 pág. 1978
REFERENCIAS
Ahmad, F. B., & Ibrahim, L. M. (2021). Software Development Effort Estimation Techniques: A
Survey. Journal of Education in Science, Environment and Health, 30(5), 80–92.
Albrecht, A., & Gaffney, J. (2015). Software function, source lines of code, and effort estimation:
A re-evaluation. IEEE Transactions on Software Engineering, Vol. SE-9, No. 6, pp. 639-
648. https://doi.org/10.1109/TSE.1983.235271
Ali, S. S., Ren, J., Zhang, K., Wu, J., & Liu, C. (2023). Modelo de conjunto heterogéneo para
optimizar la precisión de estimación del esfuerzo por software. IEEE Access, 11, 1–20.
Barbosa dos Santos, R., & Galvão Martins, L. E. (2026). Técnicas de inteligencia artificial para
mejorar estimaciones de costes, esfuerzo y calendario en proyectos de desarrollo de
software: Una revisión sistemática de la literatura. Journal of Software: Evolution and
Process. https://doi.org/10.1002/smr.70158
Bou Nassif, A., Ho, D., & Capretz, L. F. (2011). Modelo de regresión para la estimación del
esfuerzo de software basado en el método de puntos de uso. En Proceedings of the
International Conference on Computer and Software Modeling (Vol. 14).
Fernandez-Diego, M., Mendez, E., González-Ladrón-de-Guevara, F., & Abrahão, S. (2020). Una
actualización sobre la estimación del esfuerzo en el desarrollo ágil de software: una
revisión sistemática de la literatura. IEEE Access, 8, 166768–166800.
https://doi.org/10.1109/ACCESS.2020.3021664
Jørgensen, M. (2014). A review of studies on expert estimation of software development effort.
Journal of Systems and Software, 70(1–2), 37–60. https://doi.org/10.1016/S0164-
1212(02)00156-5
Kocaguneli, E., & Menzies, T. (2013). Los modelos de esfuerzo por software deben evaluarse
mediante validación leave-one-out. Journal of Systems and Software, 86(7), 1879–1890.
https://doi.org/10.1016/j.jss.2013.02.053
Malik, S., Hamid, M., & Saleem, M. (2026). A hybrid deep learning model for user story effort
estimation. PLOS One, 21(7), e0353348. https://doi.org/10.1371/journal.pone.0353348
Mittas, N., & Angelis, L. (2013). Ranking and clustering software cost estimation models through
a multiple comparisons algorithm. IEEE Transactions on Software Engineering, 39(4),
537–551. https://doi.org/10.1109/TSE.2012.45
Rahman, M., Sarwar, H., Kader, M. A., & Gonçalves, T. (2024). Revisión y análisis empírico de
la estimación del esfuerzo de software basada en aprendizaje automático. IEEE Access,
12, 85661–85680. https://doi.org/10.1109/ACCESS.2024.3404879
Rajput, Y., Razi, M. H., & Sharma, A. K. (2025). Un análisis comparativo de diferentes técnicas
de aprendizaje automático utilizadas en la estimación del esfuerzo por software. En
Proceedings of the 2nd International Conference on Computational Intelligence,
REFERENCIAS
Ahmad, F. B., & Ibrahim, L. M. (2021). Software Development Effort Estimation Techniques: A
Survey. Journal of Education in Science, Environment and Health, 30(5), 80–92.
Albrecht, A., & Gaffney, J. (2015). Software function, source lines of code, and effort estimation:
A re-evaluation. IEEE Transactions on Software Engineering, Vol. SE-9, No. 6, pp. 639-
648. https://doi.org/10.1109/TSE.1983.235271
Ali, S. S., Ren, J., Zhang, K., Wu, J., & Liu, C. (2023). Modelo de conjunto heterogéneo para
optimizar la precisión de estimación del esfuerzo por software. IEEE Access, 11, 1–20.
Barbosa dos Santos, R., & Galvão Martins, L. E. (2026). Técnicas de inteligencia artificial para
mejorar estimaciones de costes, esfuerzo y calendario en proyectos de desarrollo de
software: Una revisión sistemática de la literatura. Journal of Software: Evolution and
Process. https://doi.org/10.1002/smr.70158
Bou Nassif, A., Ho, D., & Capretz, L. F. (2011). Modelo de regresión para la estimación del
esfuerzo de software basado en el método de puntos de uso. En Proceedings of the
International Conference on Computer and Software Modeling (Vol. 14).
Fernandez-Diego, M., Mendez, E., González-Ladrón-de-Guevara, F., & Abrahão, S. (2020). Una
actualización sobre la estimación del esfuerzo en el desarrollo ágil de software: una
revisión sistemática de la literatura. IEEE Access, 8, 166768–166800.
https://doi.org/10.1109/ACCESS.2020.3021664
Jørgensen, M. (2014). A review of studies on expert estimation of software development effort.
Journal of Systems and Software, 70(1–2), 37–60. https://doi.org/10.1016/S0164-
1212(02)00156-5
Kocaguneli, E., & Menzies, T. (2013). Los modelos de esfuerzo por software deben evaluarse
mediante validación leave-one-out. Journal of Systems and Software, 86(7), 1879–1890.
https://doi.org/10.1016/j.jss.2013.02.053
Malik, S., Hamid, M., & Saleem, M. (2026). A hybrid deep learning model for user story effort
estimation. PLOS One, 21(7), e0353348. https://doi.org/10.1371/journal.pone.0353348
Mittas, N., & Angelis, L. (2013). Ranking and clustering software cost estimation models through
a multiple comparisons algorithm. IEEE Transactions on Software Engineering, 39(4),
537–551. https://doi.org/10.1109/TSE.2012.45
Rahman, M., Sarwar, H., Kader, M. A., & Gonçalves, T. (2024). Revisión y análisis empírico de
la estimación del esfuerzo de software basada en aprendizaje automático. IEEE Access,
12, 85661–85680. https://doi.org/10.1109/ACCESS.2024.3404879
Rajput, Y., Razi, M. H., & Sharma, A. K. (2025). Un análisis comparativo de diferentes técnicas
de aprendizaje automático utilizadas en la estimación del esfuerzo por software. En
Proceedings of the 2nd International Conference on Computational Intelligence,
Vol. 13/ Núm. 3 2026 pág. 1979
Communication Technology and Networks (CICTN).
https://doi.org/10.1109/CICTN64563.2025.10932574
Shepperd, M. J., & MacDonell, S. G. (2012). Evaluación de sistemas de predicción en la
estimación de proyectos de software. Information and Software Technology, 54(8), 820–
827. https://doi.org/10.1016/j.infsof.2011.12.008
Wen, J., Li, S., Lin, Z., & Hu, Y. (2012). Revisión sistemática de la literatura sobre modelos de
estimación del esfuerzo de desarrollo de software basados en aprendizaje automático.
Information and Software Technology, 54(1), 41–59.
https://doi.org/10.1016/j.infsof.2011.09.002
Zhang, K., Wang, X., & Ren, J. (2020). Mejora de la eficiencia de la estimación del tamaño del
software basada en puntos de función con un modelo de aprendizaje profundo. IEEE
Access, 9, 107124–107136. https://doi.org/10.1109/ACCESS.2020.2998581
Communication Technology and Networks (CICTN).
https://doi.org/10.1109/CICTN64563.2025.10932574
Shepperd, M. J., & MacDonell, S. G. (2012). Evaluación de sistemas de predicción en la
estimación de proyectos de software. Information and Software Technology, 54(8), 820–
827. https://doi.org/10.1016/j.infsof.2011.12.008
Wen, J., Li, S., Lin, Z., & Hu, Y. (2012). Revisión sistemática de la literatura sobre modelos de
estimación del esfuerzo de desarrollo de software basados en aprendizaje automático.
Information and Software Technology, 54(1), 41–59.
https://doi.org/10.1016/j.infsof.2011.09.002
Zhang, K., Wang, X., & Ren, J. (2020). Mejora de la eficiencia de la estimación del tamaño del
software basada en puntos de función con un modelo de aprendizaje profundo. IEEE
Access, 9, 107124–107136. https://doi.org/10.1109/ACCESS.2020.2998581