Machine Learning aplicado a la inspección post-mortem de la carne de res en las plantas de exportación del departamento de Córdoba Colombia

Abstract

En el presente trabajo de investigación se hace un estudio con base en los registros de la entidad sanitaria de Colombia de las dos plantas de beneficio bnimal en el departamento de Córdoba que exportan canales cárnicos. El primer resultado que se generó fue la creación de una base de datos con variables encontradas en la inspección post-mortem, en especial en la maduración de la carne. Se dividió la investigación en dos partes asociadas a los valores que tomaba la variable de res- puesta, en el primer caso, se consideró binaria identificando si un canal pasaba o no el control de calidad para ser exportada, en la segunda parte se consideró Multiclase con 3 niveles asociados al rechazo de canales. Se buscó establecer un buen nivel de predicción y homogeneización en las categorías que tomaba la variable de respuesta en ambos casos. Como referencia se toman los datos arrojados por un modelo co- gísticos que en su versión Clásica se utilizó para ver significancia en los predictores y luego fue entrenado con un conjunto de prueba y validado con otra muestra. En la clasificación binaria se corrieron los algoritmos de machine learning K-Nearest Neighbor, Random Forest, Maquinas Vectores de Soporte y LigthGBM, optimizados en sus hiperparámetros con las herramientas GridSearchCV y RandomSearchCV que utilizan validación cruzada, con los mejores hiperparámetros de cada algoritmo se ensambló uno nuevo denominado Stacking, que también fue comparado. Los algo- ritmos Multiclases ejecutados fueron, K-Nearest Neighbor, Random Forest, Regresión Lineal de Ridge y Arboles de decisión optimizados solamente con la herramienta Ran- domizedSearchCV, también se ensambló nuevamente un Stacking. El algoritmo con mejores resultados y equilibrado en las métricas de desempeño del estudio binario fue el LGBM, logrando exactitud = 71, AUC = 71, sensibilidad = 72, Especificidad = 70 y precisión = 84. Por el lado multiclase el Stacking obtuvo los mejores resultados con exactitud = 72, precisión = 73 y Recall = 97. El trabajo se desarrolló en el sowfware Python en su versión 3.9.13 corrido mediante el editor libre de Microsoft Visual Studio Code. Como conclusión se establece que los algoritmos de machine learning optimizados en sus hiperparámetros permiten predecir mejor la calidad de la carne de canal bovina de exportación en el Departamento de Córdoba.