Resumen en español

El trabajo de grado se centra en la imputación de datos faltantes para la variable de precipitación en el Departamento del Meta, Colombia. El objetivo de la investigación fue evaluar la eficacia de varios modelos de aprendizaje automático, incluidos KNN, XGBoost y Random Forest, en la imputación de datos faltantes. Durante la experimentación y evaluación de los modelos, se utilizaron métricas básicas como MAE (Mean Absolute Error), RMSE (Root Mean Squared Error), R2(Coeficiente de determinación) y MAPE (Mean Absolute Percentage Error). Estas métricas se utilizaron para medir y comparar la precisión y el rendimiento de cada modelo en el proceso de imputación de datos faltantes de precipitación. Además, se utilizaron métodos sofisticados para maximizar el rendimiento del proceso de imputación. Con el objetivo de mejorar la eficiencia computacional y acelerar el tiempo de ejecución de los modelos de imputación en grandes conjuntos de datos, se examinaron técnicas de paralelización de procesos utilizando bibliotecas como Dask y Joblib de Python.