MINERÍA la mejor puerta de acceso al sector minero MINERÍA / AGOSTO 2022 / EDICIÓN 539 40 Estimación del número óptimo de clústeres y valor límite para el contenido de óxido (%tox) y su impacto en la recuperación de cobre mediante el algoritmo K-Means Machine Learning Plantas de Beneficio Por: Pedro Castellares Torres, Machine Learning en el Massachusetts Institute Technology. Introducción El objetivo general del proceso de minería de datos (Data Mining) consiste en extraer información de un conjunto de data y transformarla en una estructura comprensible para su uso posterior. La tarea de la minería de datos real es el análisis automático o semiautomático de grandes cantidades de información para extraer patrones interesantes hasta ahora desconocidos o que no se pueden determinar a simple vista con el uso de la estadística tradicional, como los grupos de registros de datos (análisis clúster), registros poco usuales (la detección de anomalías) y dependencias (minería por reglas de asociación). Para ello, se utiliza los métodos de la inteligencia artificial, aprendizaje automático (Machine Learning) y sistemas de bases de datos. En el presente trabajo se hizo uso del algoritmo K-Means de Machine Learning (traducido como K-Medias en español), el cual es un método de agrupamiento o clustering que permite la determinación del número óptimo de clúster mediante el ajuste de un modelo, por ejemplo, establecer si existe uno o varios agrupamientos en el contenido de óxido presente en el mineral y cuál es su impacto en la recuperación del mineral valioso en un proceso de flotación del cobre mediante la determinación de los valores límites entre clústeres. Fuente: CC BY-SA 4.0 creativecommons.org Figura 1. Movimiento de los límites de los clústeres en las tres primeras iteraciones.
RkJQdWJsaXNoZXIy MTM0Mzk2