CONICET | Buscador de Institutos y Recursos Humanos

El trabajo presentado se ejemplifica para una base de datos(BDD) medioambiental, sin embargo es perfectamente aplicable a cualquier tipo de bases de datos. Es común que por distintas circunstancias (clima, desperfecto de equipos, outliers, sitio inaccesible, etc.) una BDD contenga un porcentaje apreciable de huecos en la información. Si un análisis rígido necesita una matriz de datos completa, con todas las variables para todos los sitios de todas las campañas de muestreo, los huecos presentes implican una gran pérdida de información y dinero invertido. Para evitar este problema, muchas veces los expertos en el tema suelen llenar estos huecos estimando a juicio profesional cada valor faltante, una tarea larga y complicada. Se presenta un método automático de llenado de huecos utilizando mapas auto organizados, en este caso con redes neuronales artificiales de Kohonen. El desarrollo implica la modificación del algoritmo de cálculo de pesos de la red reemplazando el concepto de mínima distancia entre el vector de entrada (X) y el vector de pesos de la neurona más próxima (W) por el de mínima distancia por peso de la neurona. Los resultados obtenidos mediante la red se compararon con los de juicio profesional de dos especialistas en análisis ambiental. La comparación se realizó sobre una BDD real completa de 270 muestras y 26 variables (M270x26). A dicha base se le extrajeron 50 datos al azar que constituyen los huecos artificialmente producidos y de valor conocido. Las predicciones se realizaron sobre estos 50 huecos. El error promedio de las predicciones de la red es algo menor que el de los especialistas.