MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 46 ciencia computacional, bajo requerimiento de memoria y buen desempeño en problemas con gradientes escasos o ruidosos (Kingma & Ba, 2017). Métricas de evaluación 1. AUC: la curva ROC representa de manera bidimensional el rendimiento de un clasificador. Para poder comparar diferentes clasificadores, se reduce el ROC a un único valor escalar calculando el área bajo la curva ROC, abreviada como AUC (Bradley, 1997; Hanley & McNeil, 1982), que representa el rendimiento esperado del clasificador. El AUC es una parte del área del cuadrado unitario, por lo que su valor siempre estará entre 0 y 1. La estimación aleatoria produce una línea diagonal entre (0.0) y (1.1) y tiene un área de 0.5. Un clasificador siempre debería ser mejor que el azar, es decir, su AUC debería ser mayor a 0.5. Esta métrica tiene una propiedad estadística muy relevante: el AUC de un modelo de clasificación es igual a la probabilidad de que este asigne un puntaje mayor a una muestra positiva que a una negativa (Fawcett, 2006), esto se define como: Es útil en MPM porque evalúa la capacidad del modelo para distinguir entre zonas prospectivas y no prospectivas, sin depender de un umbral de decisión fijo. Todo esto se logra gracias a que se utiliza cada región (fold) previamente obtenida con el algoritmo k-means como conjunto de prueba y las cuatro regiones restantes como conjunto de entrenamiento. Finalmente, se reporta el valor promedio del AUC, métrica robusta para el desbalance de clases (Bradley, 1997), para medir el rendimiento de cada modelo. Resultados y discusión La Tabla 2 presenta el rendimiento promedio de los modelos evaluados (Random Forest, MLP, CNN y GCN) en la validación cruzada basada en clústeres espaciales (5 folds). La métrica principal de comparación fue el Área Bajo la Curva ROC (AUC). Los modelos que obtuvieron un mejor desempeño en la tarea de mapeo prospectivo fueron el MLP y la GCN, alcanzando valores promedio de AUC de 0.910 y 0.907, respectivamente. Este resultado sugiere que ambos modelos fueron altamente efectivos para discriminar zonas con alta y baja probabilidad de ocurrencia mineral, incluso en un contexto de datos muy desbalanceados. El MLP logró capturar relaciones no lineales complejas entre variables geoquímicas y geofísicas, mientras que la GCN demostró ser útil al incorporar la estructura espacial del entorno a través de grafos. Por su parte, los modelos Random Forest y CNN también mostraron un rendimiento competitivo, con AUC de 0.893 y 0.899, respectivamente, aunque ligeramente inferior. La Figura 7 muestra la comparación entre las curvas ROC de cada fold, para cada modelo. En ella, se aprecia que todos los modelos tienen dificultad distinguiendo entre clases en los folds 1, 3 y 4, y muy buena distinción en los 2 y 5. Esto, presuntamente, se debe a la distribución espacial de los datos en tales regiones o a la calidad o naturaleza de los datos. Teniendo zonas que no brindan mucha información. Sin embargo, ello no es un inconveniente para asegurar que los cuatro modelos tienen un buen desempeño separando ocurrencias de no ocurrencias, ya que sus curvas son similares para cada fold. MLP y GCN muestran los mejores puntajes de AUC ponderado: 0.91 y 0.907, respectivamente. Distribución de probabilidades La Figura 8 muestra la distribución de probabilidad Figura 6. Mapa de cinco folds para validación cruzada.
RkJQdWJsaXNoZXIy MTM0Mzk2