Clasificación de la calidad del banano mediante aprendizaje automático explicable: Una perspectiva para el sector exportador ecuatoriano

Resumen

Contexto: El presente estudio analiza las características más relevantes asociadas a la calidad del banano mediante técnicas de aprendizaje automático, en el contexto de Ecuador como principal exportador mundial de esta fruta, donde la producción científica local sobre esta temática aún es limitada. Método: Se empleó la metodología CRISP-DM sobre el conjunto de datos público “Banana Quality Dataset”, aplicando tres algoritmos de clasificación supervisada: XGBoost, Naive Bayes y CN2 Rule Induction, evaluados a través de validación cruzada. Resultados: Los resultados indican que el índice de madurez, el contenido de azúcar y la longitud del fruto constituyen los predictores más determinantes de la calidad. En términos de evaluación, CN2 Rule Induction y XGBoost alcanzaron valores de 85% en Exactitud (CA) y F1-score, mientras que Naive Bayes presentó un desempeño competitivo con valores superiores al 80%. El uso de herramientas de inteligencia artificial explicable (XAI) permitió extraer reglas interpretables que aportan transparencia al proceso de clasificación. Conclusiones: Este estudio contribuye a reducir la brecha investigativa existente en países productores como Ecuador y demuestra la viabilidad de implementar soluciones de ciencia de datos con herramientas de código abierto.