Clasificación de hongos por medio de aprendizaje automático

• Omar D. Castrillón ^[1] ; Jaime A. Arango ^[1] ; Luis F. Castillo Ossa ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 34, Nº. 1 (Febrero), 2023, págs. 151-162
• Idioma: español
• Títulos paralelos:
  • Classification of mushrooms through machine learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Esta investigación tiene como propósito aplicar el aprendizaje automático y la minería de datos para identificar si diferentes clases de hongos (nuevas o no) son benéficas (comestibles) o perjudiciales para el ser humano.

    La metodología está basada en el algoritmo de clasificación J48 (Weka) y se utiliza la base de datos online de hongos Secondary Mushroom Dataset. La variable dependiente (clase) tienes dos estados (comestible o venenoso). Se consideran 17 variables independientes, estas incluyen el hábitat, la estación del año y características morfológicas como el sombrero, los moretones o sangra, las branquias, el tallo y el anillo. Como resultado se encuentra, con una efectividad del 99.76%, que las variables más influyentes son: diámetro sombrero, superficie sombrero, color sombrero, altura tallo, grosor tallo, superficie tallo y color tallo. En conclusión, la metodología desarrollada aquí permite identificar si un hongo es venenoso o no con una efectividad del 99.76%.

  • English

    This research study aims to apply automated learning and data mining to determine whether different clases of mushrooms (new or not) are beneficial (edible) or harmful to humans. The methodology is based on the J48 (Weka) classification algorithm and uses the Secondary Mushroom Dataset, a fungal online database. The dependent variable (class) has two states (edible or poisonous). Seventeen independent variables are considered. They include the habitat, the season, and morphological traits such as mushroom cap, bruises or bleeds, gills, stem, ring, and class. The results show that, with an effectiveness of 99.76%, the most influential variables are: cap diameter, cap surface, cap color, stem height, stem thickness, stem surface, and stem color. In conclusion, the methodology developed here allows identifying whether a given mushroom is poisonous or not with and accuracy of 99.76%