Implementación de técnicas de Machine Learning para la predicción del impacto de humedad y temperatura sobre el peso corporal de los cuyes

Abstract

El presente estudio tuvo como objetivo implementar técnicas de Machine Learning para predecir el impacto de la temperatura y la humedad relativa sobre el peso corporal de cuyes (Cavia porcellus). La investigación se llevó a cabo mediante un diseño experimental, utilizando 4 jaulas con 2 cuyes cada una jaula, en total 8 cuyes. En 3 jaulas se implementó un sistema automatizado de control de temperatura y/o humedad, mientras que la jaula 1 fue sin control. Durante 15 semanas se monitorearon la temperatura, humedad y peso de los cuyes. Los datos fueron analizados con ANOVA, correlación y regresión no lineal. Se entrenó un modelo de regresión logística para predecir el peso. Los resultados mostraron que los cuyes en la jaula 2 controlada en temperatura y humedad tuvieron el mayor incremento de peso (1406g). El análisis estadístico indicó que no hubo diferencias significativas entre grupos, aunque la jaula 2 tuvo mejores resultados. La correlación entre variables ambientales y peso no fue fuerte. El modelo de regresión logística obtuvo un excelente ajuste y capacidad predictiva del peso en todas las jaulas, con R2 de 0.99 y bajo error cuadrático medio. Este modelo se implementó en una plataforma web para predecir el peso futuro de los cuyes. En conclusión, el control ambiental de temperatura y humedad tuvo un efecto positivo en el aumento de peso de los cuyes. El modelo de regresión logística fue efectivo para predecir el peso corporal a partir de las variables de temperatura, humedad y tiempo. La investigación aporta conocimiento sobre el impacto de estas variables ambientales en cuyes. Se recomienda complementar el estudio controlando más variables como alimentación y realizar mejoras en el diseño y la infraestructura de las jaulas. El modelo predictivo podría aplicarse para optimizar las prácticas de cría y engorde de cuyes.