Comparación de algoritmos de Machine Learning para la estimación del esfuerzo en proyectos de ingeniería de software

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.