Resumen:
Este trabajo se centra en la aplicación de técnicas de Machine Learning para la clasificación y optimización de quimiotipos en aceites esenciales de Cymbopogon citratus (Hierbaluisa). El objetivo principal fue desarrollar un modelo que permita mejorar la precisión en la identificación de las composiciones químicas de los aceites esenciales, utilizando algoritmos como la regresión lineal y el Random Forest. Se aplicaron técnicas de preprocesamiento de datos y análisis de componentes principales (PCA) para la reducción de la dimensionalidad y la normalización de los datos espectrales. Los resultados demostraron que el modelo Random Forest superó al de regresión lineal, obteniendo un menor error cuadrático medio (MSE) y un mejor coeficiente de determinación (R²), lo que indica una mayor precisión en la clasificación. El estudio concluye que el uso de Machine Learning es eficaz para la optimización de quimiotipos en aceites esenciales de Cymbopogon citratus, permitiendo la identificación de patrones complejos en los datos.
