| Revista: | Innovación y software |
| Base de datos: | |
| Número de sistema: | 000545506 |
| ISSN: | 2708-0935 |
| Autores: | Vasquez Alvarez, Cesar1 Coaquira Cuevas, Edith M1 Mendoza Hilasaca, Emerson D1 Pinto Ñaupa, Jeffrey J1 |
| Instituciones: | 1Universidad Nacional de San Agustín, Arequipa. Perú |
| Año: | 2023 |
| Volumen: | 4 |
| Número: | 2 |
| Paginación: | 121-135 |
| País: | Perú |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Resumen en inglés | Currently, streaming music services have become one of the main means of music consumption around the world. Spotify offers music streaming services and covers more than thirty million songs. Every year there is an increase in the production of songs so it is more difficult for a song to establish itself as a hit in the market. The objective of this work was to apply the Linear Regression modeling technique to find a trend of the data set on the popularity index of songs on the Spotify platform, in this way predict a result with new data that enters. A quantitative methodology was applied based on measurable data that were taken as datasets. As a result, a mean square error of 94.79 and a variance of 0.20 were obtained. The conclusion of the work is that the dataset used was not the ideal according to our objective. |
| Resumen en español | En la actualidad los servicios de música en streaming se han convertido en uno de los principales medios de consumo de música alrededor del mundo. Spotify ofrece servicios de transmisión de música y abarca más de treinta millones de canciones. Cada año hay un incremento en la producción de canciones por lo cual es más difícil que una canción se establezca como un hit en el mercado. El presente trabajo tuvo como objetivo aplicar la técnica de modelado de Regresión Lineal para encontrar una tendencia del conjunto de datos sobre el índice de popularidad de las canciones en la plataforma Spotify, de esta manera predecir un resultado con nuevos datos que ingresen. Se aplicó una metodología cuantitativa basada en datos medibles que se tomaron como datasets. Como resultado se obtuvo un error cuadrático medio de 94.79 y una varianza de 0.20. La conclusión del trabajo es que el dataset utilizado no fue el ideal acorde a nuestro objetivo. |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Python, Regresión Lineal, Predicción, Inteligencia artificial |
| Keyword: | Python, Linear Regression, Predict |
| Texto completo: | Texto completo (Ver PDF) Texto completo (Ver HTML) |
