Resumen de Aplicación de la minería de datos en la estimación de componentes fotoquímicos (Original)

Pedro Manuel Estrada Jiménez, Jorge Luis Ramírez de la Ribera, Dani Verdecia Acosta, Yolanda Soler Pellicer

• español

  Con el objetivo de simular el comportamiento de las variedades Leucaena leucocephala y Tithonia diversifolia se emplearon técnicas de minería de datos para la determinación de un modelo de predicciones. Para ello se usó una base de datos proporcionada por el personal científico perteneciente al Centro de Estudios de Producción Animal (CEPA) de la Universidad de Granma.  Estos valores se obtuvieron mediante un análisis a las muestras fuera del país, donde se estudió la cuantificación de los componentes fitoquímicos. Las variedades fueron cultivadas en el Valle del Cauto de la provincia de Granma. Para cada variedad se registraron los metabolitos primarios, variables de clima y los metabolitos secundarios para cada uno de esos valores. Se probaron los clasificadores de weka en busca del clasificador que reportara menor error cuadrático medio para conformar con este resultado un modelo de aprendizaje multietiquetas. Los experimentos a los modelos determinados estuvieron compuestos por valores con los que el sistema no fue entrenado para determinar el nivel de certeza de las predicciones.

• English

  In order to simulate the behavior of the varieties Leucaena Leucocephala and Tithonia diversifolia, data mining techniques were used to determine a prediction model. This was used a database provided by the scientific staff belonging to the Center for Animal Production Studies (CEPA) of the University of Granma.  These values were obtained by means of an analysis to the samples outside the country, where the quantification of the phytochemicals components was studied. The varieties were cultivated in the cautious valley of Granma province. For each variety, primary metabolites, climate variables and secondary metabolites were recorded for each of these values. We tested the classifiers of Weka in search of the classifier to report lower quadratic error mean to form with this result a Multilabel learning model. The experiments to the specific models were composed of values with which the system was not trained to determine the level of certainty of the predictions.