MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 43 red neuronal combinando las principales ventajas de los algoritmos Ada-Grad y RMSProp[45]. Además, el algoritmo propuesto utiliza el método de regularización dropout, en el que las neuronas de las capas ocultas tienen una probabilidad fija de ser eliminadas temporalmente en una iteración del proceso de entrenamiento. Este método hace que la red neuronal dependa menos de una neurona en particular, lo que significa que los pesos de la red se mantienen pequeños[46]. Todas las redes neuronales de los modelos propuestos se entrenaron durante 200 pruebas, registrando el valor de la función de costo en cada iteración para verificar la convergencia. Pruebas de los modelos de clasificación El rendimiento de clasificación del modelo se evaluó primero con subimágenes de prueba de las matrices de características y después con imágenes del grupo de rocas 2. La primera prueba, que evalúa la precisión del algoritmo en la clasificación de subimágenes, es un buen indicador de qué minerales son más difíciles de clasificar y proporciona información sobre el rendimiento de las redes neuronales individuales. En cambio, la segunda evalúa el rendimiento del algoritmo a la hora de clasificar imágenes completas como minerales o estériles, que es la métrica más importante a la hora de comparar algoritmos de clasificación de minerales. Pruebas con subimágenes El rendimiento del modelo en la clasificación de subimágenes se evaluó utilizando el conjunto de validación de las matrices de características. La métrica utilizada para evaluar el rendimiento de las redes neuronales es el coeficiente de correlación de Matthews (MCC), también conocido como coeficiente phi, que viene dado por: (7) donde PP = TP + FP, P = TP + FN, N = TN + FP, PN = TN + FN, TP es el número de verdaderos positivos; FP los falsos positivos; FN los falsos negativos y TN los verdaderos negativos. El MCC es una métrica de clasificación utilizada para evaluar clasificadores binarios que produce una puntuación alta solo si la predicción obtuvo buenos resultados en todas las cuatro categorías de la matriz (verdaderos positivos, falsos negativos, verdaderos negativos y falsos positivos), proporcionalmente tanto al tamaño de los elementos positivos como al de los elementos negativos en el conjunto de datos[47]. El MCC es un número decimal real entre +1 y -1, donde un valor de +1 significa que el modelo clasificó todas las muestras correctaFigura 14. Comparación entre las subimágenes clasificadas correctamente (a, c, e y g) y las clasificadas incorrectamente (b, d, f y h) para cada tipo de mineral.
RkJQdWJsaXNoZXIy MTM0Mzk2