REVISTA MINERÍA 537 | EDICIÓN JUNIO 2022

MINERÍA la mejor puerta de acceso al sector minero MINERÍA / JUNIO 2022 / EDICIÓN 537 13 diante el Algoritmo de Árbol de Decisión, para la condición de mineral con contenido de magnesio menor a ~1.5% debería ser hasta un máximo de ~2.9g/t (ver Figura 10). Para la condición de mineral con contenido de magnesio mayor a ~1.5%, el algoritmo ha estimado una dosificación de espumante secundario hasta un máximo de ~3.2g/t (ver Figura 11). Conclusiones 1. El paso más importante en el uso de algoritmos de aprendizaje automático es comprender la información contenida en los datos. Además, tenemos la tarea de conocer bien el proceso, realizar consultas, segmentar y visualizar los datos. En estas tareas de aprendizaje automático, debemos enfatizar la importancia de la visualización de la data. En esencia, los humanos no tienen la facilidad de asimilar datos numéricos como las máquinas. Más bien, entendemos la información presentada visualmente de manera más natural. Por lo tanto, representar datos complejos es un desafío para los expertos en aprendizaje automático. Este es un trabajo que ocupa el 80% del tiempo total de evaluación. 2. Los Árboles de Decisión por Regresión son uno de los algoritmos clasificadores más Figura 10. Predicción de la dosificación del espumante secundario para un mineral con contenido de magnesio menor a ~1.5% (máximo hasta a ~2.9g/t). Técnica: Aprendizaje Supervisado Algoritmo: Árbol de Decisión Tipo: Clasificación por Regresión Método: CART Validación: Tipo Cruzada Nodo Primario: %Mg Condición; %Mg < ~1.5% R-cuadrado: 0.5473 Figura 11. Predicción de la dosificación del espumante secundario para un mineral con contenido de magnesio mayor a ~1.5% (máximo hasta a ~3.2g/t). Técnica: Aprendizaje Supervisado Algoritmo: Árbol de Decisión Tipo: Clasificación por Regresión Método: CART Validación: Tipo Cruzada Nodo Primario: %Mg Condición; %Mg < ~1.5% R-cuadrado: 0.5769

RkJQdWJsaXNoZXIy MTM0Mzk2