IDENTIFICACIÓN DEL FACTOR DE RIEGO EN LAS PLANTAS USANDO TECNICAS

DE MACHINE LEARNING E IMPLEMENTANDO EN PROCESADOR ARM CORTEX-M0

Brayan Stiven Rodríguez Cuervo 1, María Fernanda Rodríguez Peña, Javier Alberto

Chaparro Preciado3

1 Pregrado
Ingeniería Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Brayan.rodriguez-c@mail.escuelaing.edu.co 0000-
0002-5378-6313
Investigación y desarrollo

2 Pregrado
Ingeniería Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Maria.rodriguez-pe@mail.escuelaing.edu.co 0000-
0002-2262-7176
Investigación y desarrollo

3 Doctorado Ingeniería
Electrónica
Escuela Colombiana de Ingeniería Julio Garavito
Javier.chaparro@escuelaing.edu.com
Investigación, Desarrollo y asesoría
Abstract
This article contains a detailed report on the development and execution of the project
that aims to identify the irrigation factor in plants using the automatic learning method
and then implement an irrigation system capable of predicting this factor and activate the
irrigation system accordingly. The development includes a research process, data
collections for training, the use of classification techniques and finally their
implementation.

Palabras clave
Machine Learning, Factores de riego, goteo, aspersión, microaspersión, técnicas de
clasificación-
1. INTRODUCCIÓN
Según los expertos, una planta en
condiciones ideales se encuentra en un
estado fisiológico óptimo gracias a sus
procesos de autorregulación, sin
embargo, cuando se rompe este equilibrio
la planta empieza a tener afectaciones en
sus células que se ven reflejados en su
rendimiento. [1]
Todos los procesos de ruptura de dicho
equilibrio son causados por varios
factores; durante el desarrollo de este
proyecto el enfoque se hará en dos de los
factores que más afectan el desarrollo de
la planta (Temperatura y humedad del
suelo). Estos factores tienen
repercusiones en el desarrollo de la
planta, especialmente en relación con el
tema del déficit o exceso hídrico, por tal
motivo el principal objeto de estudio será
evaluar los factores anteriormente
descritos para automatizar el proceso de
riego en las plantas según su necesidad.
Se hará uso de las técnicas de
machine learning para clasificar el tipo
de necesidad hídrica que requiere una
planta ante la variación de los factores
anteriormente descritos. Las técnicas de
machine learning son métodos analíticos
que permiten que un sistema de forma
automatizada descubra patrones,
tendencias y relaciones en los datos, así
los datos de entrada de un sistema son
analizados para predecir valores de
salida dentro de un rango aceptable. [2]
Algunos de los algoritmos más usados
para machine learning son:
Clasificadores KNN, Árboles de decisión,
Clasificador de Naive Bayes, Regresión
lineal y logística, Máquinas de soporte
vectorial, redes neuronales y Perceptrón
multicapa; todos ellos utilizan distintos
modelos matemáticos y estadísticos para
guiar el aprendizaje automático. La
selección del tipo de técnica de machine
learning a usar en un sistema recae sobre
la eficiencia y el rendimiento que este
tenga ante el tratamiento de los datos,
razón por la cuál varían los usos muchas
veces según la clase de datos que se están
analizando e incluso debido a algunos
comportamientos estadísticos. Para el
desarrollo de este proyecto se han
utilizado todos los algoritmos
anteriormente descritos, sin embargo, la
selección del algoritmo estará dada por
temas de eficiencia y exactitud en el
tratamiento de los datos.
El primer paso para desarrollar los
modelos de predicción y machine
learning es la toma de los datos, para lo
cual se hace uso de dos sensores:
temperatura y humedad en suelo
(DHT11 y FC-28 respectivamente). Estos
datos son tomados durante 1 semana en
un pequeño arbusto puesto en un jardín
(Buxus Sempervirens) bajo condiciones
de sol, oscuridad, lluvia, neblina y sequía.
Una vez obtenidos los datos se realiza un
proceso de normalización y filtración
sobre los mismos para eliminar
redundancias y datos erróneos, luego de
ello se realiza el proceso de clustering
para determinar características
similares en los datos y posteriormente
definir las clases y variables predictoras
requeridas en machine learning. Una vez
se tienen definidas las características de
los datos, inicia el proceso de uso de los
algoritmos de machine learning para
encontrar el método más eficiente y
exacto que permita determinar la
necesidad hídrica que requiere la planta
en tratamiento. Una vez se ha elegido el
método más eficiente para el conjunto de
datos dispuesto, se procede a realizar la
implementación del sistema de riego
mediante la tarjeta programable Arduino
Nano 33 que utiliza un procesador Arm
Cortex-M0 [3] este hardware responde
de manera eficiente al prototipado de
máquina inteligente, a través de
dispositivos electrónicos realiza: la toma
de datos, clasifica el factor de riego y
predice la necesidad hídrica de la planta.
2. METODOLOGÍA
El riego de las plantas es uno de los
factores que más influyen en la vida de
las plantas, es una de las actividades más
simples para el cuidado de las plantas,
sin embargo, en muchos casos el riego no
es solamente regarles o rociarles un poco
de agua; son varios los factores que
inciden en la cantidad y la forma en cómo
se les suministra agua a las plantas. La
agricultura de riego sobre la cual trabaja
este proyecto consiste en determinar el
suministro de la cantidad necesaria de
agua en las plantas o cultivos mediante
diversos métodos artificiales de riego
(goteo, microaspersión y aspersión). [4]
2.1 Dataset
Para obtener el Dataset se utiliza un
pequeño arbusto puesto en un jardín
(Buxus Sempervirens), en condiciones
normales, le hemos instalado dos tipos
de sensores, un sensor de temperatura
DHT11 y un higrómetro (sensor de
humedad) FC-28. Una vez conectados los
sensores se inicia la toma de datos a
través de un programa implementado en
un Arduino 1, el cuál entrega valores
correspondientes a la temperatura
ambiente y humedad en el suelo de la
planta.
Esta toma de datos se lleva a cabo
durante 1 semana (realizando tomas
cada 10 minutos), dejando la planta bajo
condiciones normales de iluminación
excesiva, iluminación moderada,
oscuridad, lluvia, neblina y sequía. Para
poder obtener la mayor cantidad de
datos que informen sobre el estado de la
planta, se han forzado estados como
inundación y sequía absoluta a
diferentes temperaturas.
Ilustración 1. Evidencia de la toma de datos en Buxus
Sempervirens
Antes de realizar la caracterización del
sistema se han tomado los datos
obtenidos durante toda la semana y sobre
ellos se ha realizado un proceso de
normalización y filtración de datos para
eliminar redundancias y datos erróneos,
obteniendo así un total de 183 datos en el
data set.
2.2 Caracterización
Para la caracterización del sistema de
riego se realiza el proceso de clustering
para enlazar y definir características
similares en cada una de las muestras.
Posteriormente se realiza un gráfico de
dispersión para visualizar las muestras
tomadas para posteriormente definir las
clases y variables predictoras requeridas
en machine learning.
 i- Riego por goteo: El agua es
distribuida de manera
localizada en la planta, por
gotas, a través de goteros
instalados en una manguera de
goteo conectada a una tubería
de distribución. [5]
ii- Riego por aspersión: El agua
Ilustración 2. Gráfico de dispersión Dataset Factor de es distribuida a través de
Riego aspersores, los cuales producen
gotas de agua de diferentes
Basándose en los patrones que presenta
tamaños, imitando una
la Ilustración 2 son planteados los
precipitación natural. [5]
requerimientos para la utilización de los
métodos de machine learning,
iii- Riego por microaspersión:
estableciendo así las variables
Es una modificación del
predictoras y clases a las que pertenece
sistema de aspersión
cada uno de los datos.
tradicional que permite
asperjar el agua a poca
Se presenta entonces:
distancia de la planta y de
manera localizada. [5]
- Variables predictoras
i. Humedad en el suelo
El tipo de riego que una planta requiere
ii. Temperatura ambiente
está dado por el porcentaje hídrico que el
- Clases sistema de riego seleccionado es capaz de
i. Riego por goteo suministrar, este porcentaje hídrico está
ii. Riego por aspersión dado por la Tabla 1.
iii. Riego por microaspersión
Tabla 1. Porcentaje hídrico según el tipo de riego

Según la necesidad hídrica de la Riego por goteo 90 - 95%

planta se regula el nivel de agua al que Riego por 85 - 90%
debe ponerse el sistema de riego, de tal microaspersión
manera que se pueden clasificar los tipos Riego por aspersión 80 - 85%
de riego según las variables predictoras
(Esto a nivel hardware está dado por un Generalizando los patrones que se
sistema de riego que posee las tres presentan en el gráfico de dispersión y
técnicas de riego, cuya regulación viene realizando el proceso de clustering, se
dada por un software que controla el presenta nuevamente la gráfica
acceso a cada técnica). delimitando las zonas para las cuales se
está realizando la clasificación según las
Una breve explicación acerca de la variables predictoras.
influencia del tipo de riego en la planta se
presenta a continuación (CLASES). **En el eje X (Temperatura ºC)
**En el eje Y (Humedad en suelo)
 las clases establecidas anteriormente.
FACTOR DE RIEGO
400 Tabla 2. Medias y TEMPERATURA °C HUMEDAD EN SUELO
desviación
300 estándar
MEDIA DESVIACIÓN MEDIA DESVIACIÓN
ASPERSIÓN 18,39 2,76 184,59 53,61
200
MICROASPERSIÓN 24,21 1,70 217,98 20,39
GOTEO 24,60 3,58 319,02 47,28
100

0 CLASIFICACION RIEGO
0 10 20 30 40
2.3 Clasificadores

Ilustración 3. Caracterización y clasificación a) Clasificador KNN

En la figura 1. Representamos las En En
la Ilustración 3. Se representan las clases
anteriormente descritas:
- Verde: Riego por aspersión
- Azul: Riego por microaspersión
- Amarillo: Riego por goteo.
• Amarillo/Riego por goteo: Plantas
en extrema sequía y humedad
media sometidas a altas
temperaturas requieren el mayor
factor de riego (90 -95%).
• Azul /Riego por microaspersión:
Plantas con suelo húmedo a
temperaturas altas requieren un
factor de riego medio (85 – 90%).
• Verde/ Riego por aspersión:
Plantas con suelo húmedo y con
tendencia a la sequía, sometidas a
temperaturas bajas y medias
requieren un factor de riego
mínimo (80 – 85%) para compensar
los efectos de un alza de
temperatura
inmediatamente después de una
fuerte helada.
Uno de los análisis estadísticos que se les
realiza a los datos es el cálculo de la media
y desviación estándar para cada una de las
variables predictoras y para cada una de
Es un algoritmo basado en instancia
de tipo supervisado de Machine
Learning. Es un método bastante
sencillo que esencialmente busca las
observaciones más cercanas a la que
está tratando de predecir y clasifica el
nuevo punto de interés basado en la
mayoría de los datos que le rodean.
Para encontrar la distancia más corta
entre las múltiples observaciones se
aplica la ecuación de la distancia
Euclídea [4]:
𝒏
𝒅(𝑨, 𝑩) = √∑(𝑨𝒊 − 𝑩𝒊 )𝟐 (𝟏)
𝒊=𝟏
KNN al ser un algoritmo de
aprendizaje supervisado, significa
que previamente se debe etiquetar el
conjunto de datos de entrenamiento
con la clase esperada dada por cada
fila de datos, en este caso, sin tos o
con tos.
La desventaja que tiene KNN es que
no puede aprender un modelo
explícito, lo que hace es memorizar
las instancias de entrenamiento, las
cuales forman la base de
 conocimiento para la fase
predicción. [6]
b) Clasificador de Naive Bayes
Naive Bayes es un algoritmo muy bueno
para la clasificación basado en el teorema
de Bayes con una suposición de
independencia entre los predictores, en
realidad es muy sencillo, fácil de construir
y particularmente útil para conjuntos de
datos muy grandes.
El clasificador asume que el efecto de una
característica particular en una clase es
independiente de otras características.
Incluso si estas características son
interdependientes, estas características se
consideran de forma independiente. Esta
suposición simplifica la computación, y por
eso se considera ingenua. Esta suposición
se denomina independencia condicional de
clase. [7]
La fórmula del teorema de Bayes es:
𝑷(𝑩|𝑨) 𝑷(𝑨)
𝑷(𝑨|𝑩) = (𝟐)
𝑷(𝑩)
Donde:
• P(A): es la probabilidad de que la
hipótesis A sea cierta
(independientemente de los datos).
• P(B): probabilidad de los datos
(independientemente de la hipótesis).
• P(A|B): es la probabilidad de la
hipótesis A dada los datos B.
• P(B|A): es la probabilidad de los datos
B dado que la hipótesis A era cierta.
La ecuación (2) es válida para una
característica, pero en este caso se trabajan 9
características (ver Tabla1), por lo cual se debe
generalizar el teorema de Bayes, obteniendo la
siguiente expresión:
de
𝑷(𝑨|𝒃𝟏 , 𝒃𝟐 , . . , 𝒃𝒏−𝟏 , 𝒃𝒏 )
= 𝑷(𝑨)𝑷(𝒃𝟏 , 𝒃𝟐 , . . , 𝒃𝒏−𝟏 , 𝒃𝒏 |𝑨)
𝑷(𝑨|𝒃𝟏 , 𝒃𝟐 , . . , 𝒃𝒏−𝟏 , 𝒃𝒏 )
𝒏
= 𝑷(𝑨) ∏ 𝑷(𝒃𝒊 |𝑨) (𝟑)
𝒊=𝟏
Como tenemos 2 clases que clasificar en
este trabajo, la ecuación (3) se debe usar
tanto para la clase con tos y sin tos, donde
n es el número de las características
usadas, en este caso 9. Se puede obtener
más información sobre el algoritmo en [7].
c) Árbol de decisión
El árbol de decisiones en esencia es
un diagrama de flujo, con una amplia
aplicabilidad, aunque no tienen un
ajuste ideal si los datos tienen un gran
número de características, esto genera
una cantidad enrome de decisiones y la
complejidad del árbol sería alta.
Los árboles de decisión se crean
utilizando una heurística llamada
partición recursiva, la cual va
dividiendo los datos en subconjuntos
de las características cada vez más
pequeños de clases similares. Todo
comienza con el nodo raíz (representa
el conjunto de datos completo), el
algoritmo escoge una característica
que es la más predictiva de la clase,
se divide entonces en grupos con
distintos valores de esta
característica formando de esta
manera las primeras ramas del árbol.
Posteriormente el algoritmo sigue
dividiendo y creando nodos que le
permitan alcanzar un criterio de
detención.
 El árbol de decisión continúa
dividiendo indefinidamente las
características y creando
subconjuntos cada vez más pequeños,
pero esto precede a un problema, pues
entre más grande sea el árbol, las
decisiones que debe tomar para
clasificar serán cada vez más
específicas, y cuando se realice un
entrenamiento con los datos de
prueba, el modelo quedará sobre
ajustado con estos datos de
entrenamiento. Para ello es necesario
un proceso de poda que reduce el
tamaño del nodo para que generalice
mejor los datos. Una manera de
detener el crecimiento del árbol es
limitar de cierta forma el número de
decisiones, así se garantiza que el
árbol evite hacer trabajos
innecesarios. Esto también es una
desventaja, pues nada garantiza que
el árbol se pierda algún patrón
importante. [8]
Una alternativa, llamada post-poda,
consiste en crear un árbol que sea
demasiado grande, luego usar
criterios de poda basados en las tasas
de error en los nodos para reducir el
tamaño del árbol a un nivel más
apropiado. Este es a menudo un
enfoque más efectivo que la poda
previa porque es bastante difícil
determinar la profundidad óptima de
un árbol de decisión sin hacerlo crecer
primero.
d) Máquinas de soporte vectorial
La máquina de soporte vectorial
usada para clasificar los datos se basa
en un método de modelamiento de
planos e hiperplanos que distinguen
de forma equidistante a los datos
clasificados en distintas dimensiones,
de esta manera los datos quedan
distribuidos homogéneamente a raíz
de dichas particiones.
Por ejemplo, en un espacio de 2
dimensiones un hiperplano es un
subespacio plano de una sola dimensión, o
lo que es lo mismo, una línea, definida por
la ecuación lineal:
𝜷𝟎 + 𝜷𝟏 𝑿 𝟏 + 𝜷𝟐 𝑿 𝟐 = 𝟎 (𝟖)
El algoritmo escoge el mejor plano
posible buscando que exista el mayor
margen de separación entre las clases a
dividir ya que es muy probable que la línea
(o el plano) con mayor margen conduzca a
una clasificación más acertada en el
futuro. Dentro de este clasificador, existen
los vectores de soporte, que son aquellos
puntos que están sobre el límite de los
planos de división, usando estos vectores
es que se define el MMH (maximal magin
hyperplane).
Sin embargo, como es de esperarse, los
datos en la vida real no son fácilmente
separables, es por esto por lo que el
algoritmo también es capaz de reconocer a
los datos “mal clasificados” que están del
otro lado del plano de separación y les
asigna un costo que sirve también para
escoger plano con el máximo margen
posible.
Una de las características más
importantes de los SVM es que son
multidimensionales, puesto que el
comportamiento de los datos en la vida
real no se acomoda a una relación lineal y
gracias a esta característica, los datos se
modelan como si lo fueran. A estos
métodos de linealización se les llama
Kernel. La clasificación de los datos se hizo
probando la SVM con los distintos Kernel,
entre ellos: lineal, radial, polinomial e
hiperbólico, y de esta manera obteniendo
información de cuál clasificó mejor los
datos. Es importante mencionar que los
datos del Dataset se acondicionaron para
obtener el mejor rendimiento de los SVM
(normalización). [9]
e) Red Neuronal
Las redes neuronales utilizan conceptos
tomados de una comprensión del cerebro
humano para modelar funciones
arbitrarias. Las máquinas de soporte
vectorial utilizan superficies
multidimensionales para definir la
relación entre características y resultados.
Las ANN (red neuronal artificial) se
pueden aplicar en tareas de: clasificación,
predicción numérica, reconocimiento de
patrones no supervisado. Se aplican mejor
a las situaciones donde los datos de se
especifican bien la entrada y de salida, la
parte compleja se encuentra entre estos
dos puntos. Es por ello que la capacidad de
una red neuronal para aprender está
enraizada en su topología, o en los
patrones y estructuras de las neuronas
interconectadas. Las tres características
clave en las ANN son: el número de capas,
verificar si la información en la red puede
viajar hacia atrás y el número de nodos
dentro de cada capa de la red.
En general las redes neuronales son
alimentadas por la señal de entrada
dirigiéndose en una dirección continua de
conexión a conexión hasta llegar a la
salida, este tipo de red se denomina red de
avance. A pesar de la restricción en el flujo
de información, las redes feedforward
ofrecen una sorprendente cantidad de
flexibilidad. Por ejemplo, el número de
niveles y nodos en cada nivel se puede
variar, se pueden modelar múltiples
resultados simultáneamente.
Ilustración 4. Modelo de Red Neuronal
𝑵
𝑵𝒆𝒕𝒋 = ∑ 𝒙𝒊 𝒘𝒋𝒊 + 𝜽𝒋 (𝟔)
𝒊=𝟏
En la ecuación (6) se representa la manera
de calcular las entradas de la red neuronal
cuyo modelo básico se puede ver la
(Ilustración 4). Por lo general, la red
neuronal debe aprender todo el conjunto
de patrones de entrenamiento y por ello no
debe entrenarse utilizan do un error local,
sino que el aprendizaje se hace en
términos de un error global. En la
siguiente ecuación definimos el error
cuadrático medio:
𝒑 𝑵
𝟏
𝑬𝒓𝒓𝒐𝒓 = ∑ ∑(𝒚𝒋 (𝒌) − 𝒅𝒋 (𝒌) )𝟐 (𝟕)
𝟐𝑷
𝒌=𝟏 𝒋=𝟏
Donde:
• N: número de neuronas en la capa
de salida
• P: número de patrones de
entrenamiento [10]
Para la aplicación de este algoritmo
(específicamente para el factor de riego) se
han dispuesto de dos capas ocultas, para
lograr la mejor exactitud, toda vez que con
una sola capa la exactitud oscilaba entre el
30% y 40%, mientras que, con una capa
extra, la exactitud del método mejora a un
90% de exactitud.
En la Ilustración 5, se muestra el
diagrama que corresponde a la red
neuronal propuesta para el sistema en
mención; para este caso los pesos y kernel
se obtienen del programa usando las
librerías de Sk. Learn y sobre esos valores
se realizan manualmente las funciones
RELU y Sigmoide correspondientes para
cada capa de entrada y salida
respectivamente.
Ilustración 5. Red Neuronal Factor de Riego
f) Regresión Logística Multivariable
Las regresiones en general
consideran la relación que existe entre
una variable numérica con una o más
variables numéricas dependientes o
independientes. La regresión logística es
un método de regresión que relaciona
una variable cualitativa binaria con una
o más variables cuantitativas. En este
caso, utilizamos esta bondad de la
regresión logística ya que la clasificación
de los datos de tos se puede expresar de
manera binaria. [11]
La regresión logística permite modelar
los datos no linealmente sino con una
función cuyo rango esta siempre entre 0 y
1. Una de las funciones más usadas en
casos como este es la función sigmoide.
𝟏
𝝈 ( 𝒙) = (𝟒)
𝟏 + 𝒆−𝒙
Este modelo se basa en asignar una
probabilidad (valor de la función) al
clasificador en donde discriminará unos
datos de otro y finalmente los clasificará
según su nivel de probabilidad. Por lo cual
una vez estimados los coeficientes del
modelo logístico, es posible conocer la
probabilidad de que la variable
dependiente pertenezca al nivel de
referencia, dado un determinado valor del
predictor. Para ello se emplea la ecuación
del modelo:
̂ ̂
𝟏 𝒆𝜷𝟎 +𝜷𝟏 𝒙
̂ (𝒀 = ) =
𝒑 ( 𝟓)
𝑿 𝟏 + 𝒆𝜷̂𝟎 +𝜷̂𝟏 𝒙
Haciendo uso de las ecuaciones de
aplicación para el clasificador de
regresión multivariable y tomando los
valores de 𝛽 que resultan de los artículo.
algoritmos, se muestran en la Ilustración
6 las ecuaciones correspondientes para el Los resultados que se encuentran a
método. continuación corresponden al
rendimiento presentado para los datos
con cada uno de los clasificadores.

I. Matriz de Confusión

a) Clasificador KNN
DATOS DE PRUEBA
PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
ASPERSIÓN 15 0 0
MICROASPERSIÓN 2 17 0
Ilustración 6. Ecuaciones clasificador de regresión
GOTEO 0 1 20
logística

b) Clasificador de Naive Bayes

3. RESULTADOS DATOS DE PRUEBA
PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
Si bien es cierto los algoritmos de ASPERSIÓN 19 0 0
machine learning son aplicables a MICROASPERSIÓN 0 18 0
cualquier conjunto de datos, una de las GOTEO 0 0 18
etapas más importantes para obtener un
sistema de procesamiento y clasificación c) Árbol de decisión
automático eficiente corresponde a el DATOS DE PRUEBA
PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
estudio de la precisión de cada uno de los
ASPERSIÓN 20 0 0
métodos, junto con su matriz de
MICROASPERSIÓN 0 18 1
confusión, la cual permite visualizar el
GOTEO 0 0 16
desempeño de cada uno de los algoritmos.
En la matriz de confusión se representan
d) Máquinas de soporte vectorial
el número de predicciones de cada clase DATOS DE PRUEBA
respecto a las instancias o elementos PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
“bien clasificados” en la clase que ASPERSIÓN 9 0 10
corresponde. MICROASPERSIÓN 2 0 18
GOTEO 2 0 14
Los dos elementos anteriormente
mencionados permiten comparar el e) Red Neuronal (MLP)
rendimiento de todos los clasificadores, DATOS DE PRUEBA
definir el clasificador con el mejor PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO
desempeño. ASPERSIÓN 14 0 0
MICROASPERSIÓN 0 16 0
Finalmente, el clasificador con mejor GOTEO 0 2 23
rendimiento será del que se
implementará en hardware, tal y como se
ha mencionado en el título de este
 f) Regresión Logística 4. ANÁLISIS
Multivariable 5. CONCLUSIONES
DATOS DE PRUEBA
PREDICCIÓN ASPERSIÓN MICROASPERSIÓN GOTEO 6. REFERENCIAS BIBLIOGRÁFICAS
ASPERSIÓN 17 0 0
MICROASPERSIÓN 0 16 0
GOTEO 0 0 22 [1] N. G.M, «Intagri S.C,» [En línea].
Available:
https://www.intagri.com/articulos/nutri
II. Exactitud de los clasificadores ci%20on-vegetal/estres-vegetal-parte-1-
estres-%20por-altas-temperaturas..
Tabla 3. Exactitud de los clasificadores [Último acceso: 1 09 2020].
[2] R. APD, «apd,» 04 04 2019. [En línea].
Clasificador Exactitud Available:
Clasificador KNN 94% https://www.apd.es/algoritmos-del-
Clasificador Naive Bayes 96% machine-
Árbol de Decisión 99,20% learning/#:~:text=Conceptos%20como%
Máquina de Soporte Vectorial 49% 20inteligencia%20artificial%20(IA,inel
Red Neuronal (MLP) 96% udibles%20en%20el%20contexto%20act
ual.&text=En%20su%20forma%20m%
Regresión Logística
C3%A1s%20b%C3%A1sica,dentro%20d
Multivariable 100%
e%20un%20rango%20aceptable..
[Último acceso: 2020 11 18].
a) Validación
Haciendo un estudio sobre el [3] «Arduino STORE,» [En línea].
Available:
desempeño de cada uno de los
https://store.arduino.cc/usa/nano-33-
clasificadores, resulta ser el
ble-sense. [Último acceso: 18 11 2020].
clasificador de Regresión Logística
[4] C. B. e. Irrigazione, «Wikipedia,»
Multivariable el que mejor
Edagrícola , 1970. [En línea]. Available:
desempeño presenta; con un https://es.wikipedia.org/wiki/Riego#:~:t
rendimiento del 100% y una matriz de ext=Actualmente%2C%20se%20utiliza
confusión perfecta (clasificando al %20el%20riego,y%20la%20fertilizaci%
100%) se elige como el clasificador C3%B3n%20del%20suelo.&text=Para%
estrella de todo el proceso de la 20implantar%20un%20sistema%20efici
aplicación de los algoritmos de machine ente,%2Dplanta%20y%20Agua%2Dsuel
learning. o.. [Último acceso: 18 11 2020].
[5] «Fao.org,» [En línea]. Available:
b) Implementación http://www.fao.org/3/aj470s/aj470s02.p
df. [Último acceso: 1 9 2020].
[6] «Clasificador con K-Nearest-Neighbor,»
Na8, 10 6 2018. [En línea]. Available:
https://www.aprendemachinelearning.c
om/clasificar-con-k-nearest-neighbor-
Finalmente, el clasificador con mejor ejemplo-en-python/.. [Último acceso: 18
rendimiento será del que se 11 2020].
implementará en hardware, tal y como [7] L. González, Naive Bayes - Teoría, 10 9
se ha mencionado en el título de este 2019. [En línea]. Available:
 https://ligdigonzalez.com/naive-bayes-
teoria-machine-learning/..
[8] L. J. Moscovitz. [En línea]. Available:
http://www.konradlorenz.edu.co/images
/stories/articulos/Leonardo_Jimenez_M
oscovitz_Especializacion.pdf.
[9] C. Martínez, «MÁQUINAS DE
VECTOR SOPORTE,» 2018. [En línea].
Available:
https://rpubs.com/Cristina_Gil/SVM..
[10] N. Anzola, «Máquinas de soporte
vectorial y redes neuronales artificiales
en la predicción,» USD/COP, 2015.
[11] J. Rodrigo, 2016. [En línea]. Available:
https://www.cienciadedatos.net/docume
ntos/27_regresion_logistica_simple_y_
multiple..

8. ANEXOS