Adaptability of regression algorithms to the behavior of protein plants

• Uvidia-Cabadiana, Hernán A. ^[1] ; Estrada-Jiménez, Pedro M. ^[2] ; Herrera-Herrera, Rocio del Carmen ; Hernández-Montiel, Luís G. ^[4] ; Verdecia-Acosta, Danis M. ^[2] ; Ramírez-de la Ribera, Jorge L. ^[2] ; Noguera-López, Pedro J. ^[2] ; Chacón-Marcheco, Edilberto ^[3]
  1. [1] Universidad Estatal Amazónica

     Universidad Estatal Amazónica

     Puyo, Ecuador

     
  2. [2] Universidad De Granma

     Universidad De Granma

     Cuba

     
  3. [3] Universidad Técnica de Cotopaxi

     Universidad Técnica de Cotopaxi

     Latacunga, Ecuador

     
  4. [4] Centro de Investigaciones Biológicas del Noroeste, Baja California Sur, México.

  Mostrar afiliaciones +
• Localización: Enfoque UTE: Facultad de Ciencias de la Ingeniería e Industrias - Universidad UTE, ISSN-e 1390-6542, Vol. 14, Nº. 2, 2023, págs. 20-34
• Idioma: inglés
• Títulos paralelos:
  • Adaptabilidad de algoritmos de regresión al comportamiento de las plantas proteicas
• Enlaces
  • Texto completo
• Resumen
  • español

    El comportamiento de los componentes de las plantas proteicas es de vital importancia para los animales que los consumen en su dieta. La presente investigación tiene como objetivo evaluar algoritmos de regresión, para determinar el comportamiento de las expresiones que mejor se adaptan a los procedimientos de un laboratorio tradicional y estimar los componentes químicos de plantas proteicas, en este sentido se ha utilizado la biblioteca MULAN de java, que contienen algoritmos de aprendizaje automático capaces de adaptarse a disímiles problemas. Se crearon tres conjuntos de datos para cada especie tratada en este trabajo; cada uno de estos incluye los elementos principales para ser evaluados en cada experimento, estos están delimitados por: metabolitos secundarios, componentes de la pared celular y digestibilidad para los ficheros de entrenamiento uno, dos y tres respectivamente, posteriormente, fueron evaluados a través del aprendizaje supervisado y una validación cruzada de cada uno para determinar el mejor ajuste por aRMSE (Error cuadrático medio de la raíz). Los resultados del aprendizaje fueron comparados con experimentos anteriores, donde se tenía una variante de aprendizaje que contenía en un solo dataset todos los componentes a evaluar en una sola predicción. El resultado de la comparación muestra que los algoritmos vagos basados en instancias tienen un mejor comportamiento en el aprendizaje que los otros evaluados.

  • English

    The behavior of components of protein plant is of vital importance for animals that consume them in their diet. The objective of this research is to evaluate regression algorithms, to determine the behavior of the expressions that best adapt to the procedures of a traditional laboratory and to estimate the chemical components of protein plants, in this sense the MULAN library of java has been used, that contain automatic learning algorithms capable of adapting to dissimilar problems. Three data set were created for each species treated in this study; each of these include the main elements to be evaluate in each experiment, these are delimits by: secondary metabolites, cell wall components and digestibility element for training files one, two and three, respectively; subsequently, they were evaluated through learning supervised and cross-validation of each to determine the best fit by aRMSE (Average Root Mean Square Error). The learning results were compare with previous experiments, where there was a learning variant that contained in a single dataset all the components to be evaluates in a single prediction. The result of the comparison shows that the lazy algorithms based on instances have a better learning behavior than the others evaluate.