Predicción de puntuaciones SCA en café especial utilizando aprendizaje automático

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de Datos
• Ciencias de los Alimentos

Sus antecedentes:

• La calidad del café especial es crucial para su valor como producto básico mundial.
• Las puntuaciones de la Specialty Coffee Association (SCA) son indicadores comerciales clave.
• Las evaluaciones sensoriales para las puntuaciones SCA consumen muchos recursos y son variables.

Objetivo del estudio:

• Desarrollar modelos predictivos para estimar las puntuaciones SCA.
• Utilizar variables de procesamiento y producción para la predicción de la calidad.
• Comparar diferentes enfoques de modelado en cuanto a eficiencia y robustez.

Principales métodos:

• Se recopilaron datos de procesamiento (2019-2023) que abarcan desde la recepción hasta el almacenamiento.
• Se aplicaron algoritmos de regresión Random Forest (RF) y XGBoost (XGB).
• Se evaluaron tres enfoques: variables completas, PCA y variables seleccionadas.

Principales resultados:

• El modelo RF con todas las variables mostró el mejor rendimiento (MAE=0.80, RMSE=1.03, R²=0.53).
• Los modelos con siete variables seleccionadas lograron resultados comparables (MAE=0.81, RMSE=1.06, R²=0.50).
• La selección de variables fue más eficiente y robusta que el PCA.
• Los modelos basados en PCA tuvieron un rendimiento inferior.

Conclusiones:

• Los modelos de aprendizaje automático pueden predecir las puntuaciones SCA de manera moderada y práctica.
• La selección de variables mejora la eficiencia y robustez del modelo sobre el PCA.
• Las herramientas predictivas pueden respaldar un monitoreo de la calidad más temprano y eficiente en la producción de café especial.