MINERÍA la mejor puerta de acceso al sector minero MINERÍA / AGOSTO 2022 / EDICIÓN 539 47 Conclusiones 1. La agrupación en clústeres de K-Means ofrece los siguientes beneficios: Es un algoritmo rápido. Puede manejar grandes conjuntos de datos con límite en la capacidad de procesamiento de la PC. 2. Sin embargo, tiene los siguientes inconvenientes: Requiere que especifiquemos o calculemos el número de clústeres antes de realizar el algoritmo. Es sensible a los valores atípicos, por lo que la data debe ser confiable. 3. Dos alternativas al agrupamiento de K-Medias son el de K-Medoides y el agrupamiento jerárquico. 4. Como se puede ver en esta aplicación, con k = 2 el modelo asigna clases consistentes a los datos de entrada, en especial al observar los agrupamientos que existen en toda la zona superior e inferior de la gráfica en donde los grupos son evidentes y con comportamientos similares, siendo: a. En el Clúster 1, el %Tox es de 9.28%, la que correspondería a una recuperación media de cobre de 82.43%. b. En el Clúster 2, el %Tox es de 6.9% que correspondería a una recuperación media de cobre de 88.91%. 5. Finalmente, esto permitirá tener claro desde geología y mina el impacto del %Tox en la recuperación de cobre, de tal manera que se trabaje de manera integral hasta planta y se logré aplicar adecuadas estrategias para cada clúster determinado por el algoritmo. Bibliografía MIT Curso de Machine Learning. Curso de Data Mining en la Universidad de Ciencias Aplicadas. CC BY-SA 4.0 creativecommons.org www.linkedin.com/in/pedro-castellares-metalurgista-senior-data-science-y-analytics-18255250 https://www.facebook.com/groups/machinelearningmetalurgia https://machinelearningmetalurgia.blogspot. com/ Fuente: Gráfica de Dispersión con Software RStudio mediante la función fviz_nbclust. Figura 7. Gráfica del número de clústeres óptimo con el método Silhouette.
RkJQdWJsaXNoZXIy MTM0Mzk2