Machine Learning aplicado a la exploración minera usando matriz de confusión
DOI:
https://doi.org/10.17268/rev.cyt.2025.01.06Palabras clave:
Exactitud, Precisión, Recuperación, Clasificación, Aprendizaje automáticoResumen
El objetivo del presente trabajo fue determinar cómo validar espacialmente conjuntos de datos geológicos obtenidos de la zona de Huancayo en el Perú, así como identificar las formas más comunes de evaluar el rendimiento de los modelos de clasificación. La metodología empleada consistió en el uso de algoritmos de aprendizaje automático aplicados a una matriz de confusión, cuyos resultados fueron representados mediante una curva ROC. Los resultados mostraron que el parámetro de exactitud (Accuracy) alcanzó un porcentaje máximo de 65.4%, la precisión fue del 80.4%, la recuperación del 96.2% y la métrica F1 obtuvo un valor de 96.1%. Se concluye que, al utilizar modelos de clasificación, es fundamental considerar métricas adicionales a la precisión para obtener una estimación más confiable.
Citas
Arango, M. (2021). Una librería en Python para el pronóstico de series de tiempo no lineales. Medellín, Colombia: Universidad Nacional de Colombia.
Cabanillas, J. (2022). Eficacia de modelos Machine Learning para el pronóstico del riesgo crediticio. TRUJILLO – PERÚ: UNIVERSIDAD NACIONAL DE TRUJILLO.
Castillo, L. (2022). Desarrollo de modelos predictivos de regresión en la industria minera mediante el uso de algoritmo de machine learning. Lima, Perú: Universidad Nacional Mayor de San Marcos.
Chen, J., Lu, J., Zhu, X., & Zhang, L. (2023). Generative Semantic Segmentation. Computer Vision and Pattern Recognition. Obtenido de https://doi.org/10.48550/arXiv.2303.11316.
Correa, M. (2010). Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad. Madrid: UNIVERSIDAD POLITECNICA DE MADRID.
Ezequiel, A. (2019). Análisis de la implementación de Machine Learning en el diagnóstico por imágenes. Victoria, Buenos Aires: Universidad de San Andrés.
Gutierrez, J., & Vigo, V. (2021). Modelo de aprendizaje automatizado del proceso deventa de productos financieros en un call center. Lima – Perú: Universidad de Lima.
Hanuman, V. (2018). Python Libraries, Development Frameworks and Algorithms for Machine Learning Applications. International Journal of Engieneering Research & Technology (IJERT), 7 (4).
Joakin, I. (2021). Aplicación de tecnologías de aprendizaje automático para predecir negocios y tomar decisiones empresariales. UNIVERSIDAD NACIONAL DE LA PLATA.
Jovic, A. (2019). An overview and comparison of free Python libraries for data mining and big data analysis. IEEE. Obtenido de https://doi.org/1010.23919/MIPRO.2019.8757088.
Julca, B. (2020). Aplicación de Deep Learning sobre imágenes topografica para mejorar la precición del diagnóstico de Queratocono en una clinica de Lima. Lima - Perú: Universidad de San Ignacio de Loyola.
Li, C., Xin, D., Chen, T., Fang, X., Zhao, Q., & Chen, H. Research on top-level planning for sustainable high-quality development of China’s largest scale deep coal mining area. Front. Earth Sci, 11. https://doi.org/10.3389/feart.2023.1274369.
López, G. (2020). Sistema inteligente para la detección automática de competencia y monitoreo de productos en mercado libre (mlcompet). Acapulco: Instituto Tecnológico De Acapulco.
Parsa, M., Harris, J., & Sherlock, R. (2022). Improving mineral prospectivity model generalization: an example from orogenic gold mineralization of the Sturgeon Lake Transect, Ontario, Canada. Ore Geology Reviews, 104 -117.
Pérez, A. (2014). Maestria en Inteligencia Artificial. . Mexico: Universidad Veracruzana.
Sustaita, L. (2017). Visualización de datos a partir de patrones de despliegue en lenguaje de programación R. Zacatecas, Zacatecas.: Centro de Investigacion en Matematicas.
Wang, C. (2022). Efficient customer segmentation in digital marketing using deep learning with swarm intelligence approach. Information Processing & Management, 59 (6).
Zuo, R., & Carranza, E. (2023). Machine Learning-Based Mapping for Mineral Exploration. Mathematical Geosciences, (7), 891-895.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
