Evaluación de modelos de Machine Learning para la clasificación de manzana según su calidad
Publicado: 25 Jul 2024, 20:19
Tema:
Evaluación de modelos de Machine Learning para la clasificación de manzana según su calidad
Integrantes:
- Espinoza García, José Luis
- Garrido Mansilla, Gerson Andre
- Huaytalla Pariona, Jaime Antonio
- Sacasqui Huaito, Shirley Sirene
- Villegas Cubas. Juan Elias
Resumen:
En este trabajo se evalúan modelos de machine learning para la clasificación de la calidad de manzana según sus características, el conjunto de datos utilizado contiene 4.000 muestras, cada una de las cuales contiene identificadores de manzana, tamaño, peso, dulzor, textura crujiente, jugosidad, madurez, acidez y la clase. los datos son visualizados y procesados aplicando eliminación de valores nulos, valores fuera de rango, estandarizando los datos y dividiendo en datos para entrenamiento y evaluación. Se construyeron cuatro modelos de machine learning como K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) y Decisión Trees (DT), se optimizaron en búsqueda de los mejores parámetros. Los cuatro modelos fueron evaluados con 1000 registros y utilizando las métricas de accuracy, recall, F1-score y precisión. El modelo SVM es el que logró los mejores resultados en todos los indicadores, llegando a un 0.924 de accuray.
Adjuntos:
Ensayo: Dataset:
Evaluación de modelos de Machine Learning para la clasificación de manzana según su calidad
Integrantes:
- Espinoza García, José Luis
- Garrido Mansilla, Gerson Andre
- Huaytalla Pariona, Jaime Antonio
- Sacasqui Huaito, Shirley Sirene
- Villegas Cubas. Juan Elias
Resumen:
En este trabajo se evalúan modelos de machine learning para la clasificación de la calidad de manzana según sus características, el conjunto de datos utilizado contiene 4.000 muestras, cada una de las cuales contiene identificadores de manzana, tamaño, peso, dulzor, textura crujiente, jugosidad, madurez, acidez y la clase. los datos son visualizados y procesados aplicando eliminación de valores nulos, valores fuera de rango, estandarizando los datos y dividiendo en datos para entrenamiento y evaluación. Se construyeron cuatro modelos de machine learning como K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) y Decisión Trees (DT), se optimizaron en búsqueda de los mejores parámetros. Los cuatro modelos fueron evaluados con 1000 registros y utilizando las métricas de accuracy, recall, F1-score y precisión. El modelo SVM es el que logró los mejores resultados en todos los indicadores, llegando a un 0.924 de accuray.
Adjuntos:
Ensayo: Dataset: