AUTOR:
- Dania Nayely Parra Quintero
- Estefany Cortes Echeverry
PALABRAS CLAVES: Supervised Machine Learning, Ganaderia, Nutrigenética, producción bovina, predicción, sistema complejo, factores ambientales, coeficiente de determinación, error cuadrático medio, error absoluto medio.
Este proyecto de investigación se basa en un enfoque de ciencias de la complejidad. La ganadería se aborda como un sistema adaptativo conformado por factores nutrigenéticos (raza, cruce y tipo de alimentación) que interactúan y se adaptan a cambios en el ambiente (temperatura, precipitación y humedad). Esta tesis propone implementar algoritmos de Supervised Machine Learning para predecir la producción bovina del departamento del Huila entre 2008 y 2023.
Para estructurar la investigación con una visión de negocio se utilizó la metodología CRISP-DM, mediante sus fases se orientó el orden de la investigación. Se utilizó R-studio para desarrollar los algoritmos con las librerías (caredt, e1071, class, rpart, randomForest y NeuralNetTools). A partir de un conjunto de datos históricos se compararon diferentes algoritmos de regresión, evaluados mediante Cross validation destacándose SVM radial y Random Forest como los modelos que mejor se ajustan y presentan menor error predictivo frente a los demás. Se realizó una evaluación para determinar el más eficiente en la predicción; el modelo con mejor adaptación e interpretación fue el de Random Forest.
El mejor modelo fue el Random Forest con 800 árboles y 64 observaciones, con un coeficiente de determinación del 97,8% de la variabilidad de la carne, esté hace referencia al ajuste del modelo frente a las variables de observación. Finalmente se implementó este modelo para predecir la cantidad de carne en toneladas de cada municipio del departamento del Huila, confirmando su utilidad en este tipo de investigación.
No hay comentarios:
Publicar un comentario