Réplica en el navegador (GeoIA)

La implementación más avanzada del método está en geoia.site/dominios-ml. Corre en tu navegador: no instala Python, no envía tablas a un servidor y reproduce el mismo esquema de la tesis —espectro SWIR–VNIR, geoquímica y alteración de logueo— sobre el CSV sintético de este repositorio.

Qué hace la página

1. Carga el logueo + 15 minerales + ~34 columnas químicas (o tus tablas).
2. Fase 1. PCA / K-Means / dendrograma; eliges tramos y firmas MOD_ALT.
3. Fase 2. Lienzo tipo Orange: RF, kNN, red y SVM, Test & Score, matriz y ROC.
4. Fase 3. Predice el 60 % de sondajes sin logueo y exporta CSV.

Abrir Dominios ML — geoia.site/dominios-ml

Correspondencia con la tesis y con este repo

En la tesis / este repo	En GeoIA
13 scores SWIR + hematita/goethita	15 variables espectrales (Fase 1)
~34 elementos (completitud ≥ 80 %)	columnas geoquímicas (Fase 2)
Geólogo firma MOD_ALT en sección	polígono sobre el PCA de collares logueados
Orange: File → PCA → k-Means → Test & Score	lienzo de nodos en la pestaña Fase 2
Predicción a tramos ciegos	60 % de collares reservados + CSV propio
Cuadernos 01–03 y alteration_ml	misma lógica, en scikit-learn / Colab

El clúster espectral no es el dominio. En GeoIA cada clúster propone un MOD_ALT (logueo mayoritario); tú lo editas y solo se escribe en las muestras seleccionadas. Eso es lo mismo que describe Asignación de dominios.

Cómo recorrerlo (caso de alteración)

flowchart LR
  A[Logueo + espectro<br/>15 minerales] --> B[Fase 1<br/>PCA · polígono · MOD_ALT]
  B --> C[Fase 2<br/>lienzo RF · kNN · red · SVM]
  C --> D[Fase 3<br/>predice el 60 %]

1. Alteración de logueo. Revisa el 3D / tabla. Por defecto usa el sintético de la tesis. Puedes cargar collar + survey + assay + espectral, unir assay y espectro por from–to, o un CSV de tramos con XYZ. Pulsa Separar collares 40/60: 40 % logueados para entrenar; 60 % quedan “ciegos”.
2. Fase 1. Recalcula PCA. Dibuja un polígono (clic = vértice; doble clic cierra; Shift añade otro). Firma MOD_ALT en las seleccionadas y continúa.
3. Fase 2. Entrena los cuatro modelos. Test & Score compara contra el 60 % con logueo oculto. Clic en un nodo del lienzo salta al bloque (matriz, ROC).
4. Fase 3. Predice dominios en collares no logueados o en un CSV propio y descarga el resultado.

Qué reproduce y qué simplifica

Fiel a la tesis

• Las 15 variables espectrales y las ~34 químicas del synthetic_merged.csv.
• PCA + K-Means sobre el espectro; clustering jerárquico (enlace promedio) sobre los minerales.
• Los cuatro algoritmos y las métricas Test & Score / confusión / ROC.

Simplificado a propósito (navegador)

• SVM lineal (Pegasos); en Orange la tesis usó kernel RBF.
• Red con 30 neuronas / 60 iteraciones (en la tesis: 100 / 200).
• MOD_ALT se firma en Fase 1; no llega ya cerrado en los datos de entrada.
• Extensión de la réplica (no es el caso del Resumen): si eliges una columna numérica (ley, óxido) los mismos cuatro algoritmos corren como regresión (RMSE, MAE, R²).

Los números exactos no coinciden con Orange ni con scikit-learn. El orden relativo de los modelos suele parecerse. Para cifras reproducibles usa los cuadernos o el paquete Python.

Relación con los cuadernos

Cuaderno	Qué cubre	Equivalente en GeoIA
00_colab_pipeline.ipynb	Pipeline completo, un clic	Fases 1–3 de un tirón
01_eda_espectral_geoquimica.ipynb	Tabla, dominios, ensambles	pestaña de logueo y vista previa
02_unsupervised_ensambles.ipynb	PCA, dendrograma, k = 5	Fase 1
03_supervised_clasificacion.ipynb	RF / kNN / MLP / SVM	Fase 2 + predicción

GeoIA es otra implementación (TypeScript en el cliente). Los cuadernos y alteration_ml son la vía que sí reproduce los hiperparámetros publicados (Tablas 19–22).

Siguiente: Orange y Google Colab si quieres el lienzo original o un clic en la nube, o asignación de dominios para el criterio geológico.