Concrete Compressive Strength Dataset (CCS)#
Este directorio contiene una versión adaptada del popular dataset “Concrete Compressive Strength” para estimar la resistencia del hormigón.
Origen y Cita Recomendada#
Este conjunto de datos fue donado originalmente al repositorio de UCI Machine Learning en 2007. Trata sobre la resistencia a la compresión del hormigón, la cual es una función altamente no lineal de la edad y los ingredientes utilizados en la mezcla.
Cita recomendada:
I.-C. Yeh, “Concrete Compressive Strength,” UCI Machine Learning Repository, doi: 10.24432/C5PK67, 2007. Paper original: I. Yeh. “Modeling of strength of high-performance concrete using artificial neural networks,” Cement and Concrete Research, Vol. 28, No. 12, 1998.
Descripción de los Datos#
La resistencia a la compresión simple es la característica mecánica principal del concreto. Se define como la capacidad para soportar una carga por unidad de área, y se expresa en términos de esfuerzo [MPa]. El cemento es el material más activo de la mezcla, y su proporción tiene gran influencia. Además, existen varios “agregados” que afectan de manera no lineal las proporciones para una resistencia determinada.
Diccionario de Datos#
El dataset contiene 1030 muestras con 9 variables en total (8 de entrada y 1 de salida). No contiene valores faltantes.
cement: (Numérica, Continua) Cantidad de cemento, medido en \(kg/m^3\).slag: (Numérica, Continua) Escoria de alto horno (Blast Furnace Slag), medido en \(kg/m^3\).flyash: (Numérica, Continua) Ceniza volante (Fly Ash), medido en \(kg/m^3\).water: (Numérica, Continua) Agua, medido en \(kg/m^3\).superplasticizer: (Numérica, Continua) Superplastificante, medido en \(kg/m^3\).coarseaggregate: (Numérica, Continua) Agregado grueso, medido en \(kg/m^3\).fineaggregate: (Numérica, Continua) Agregado fino, medido en \(kg/m^3\).age: (Numérica, Entero) Edad del concreto en días, desde 1 a 365 días.csMPa(Variable Objetivo / Target): (Numérica, Continua) Resistencia a la compresión del concreto, medida en Megapascales (MPa).
Consideraciones para Ingeniería y Casos de Uso#
Este dataset es el estándar ideal para plantear y resolver problemas de:
Regresión Múltiple No Lineal: Predecir un valor continuo a partir de múltiples variables independientes cuyas relaciones no son triviales.
Importancia del Preprocesamiento: Analizar cómo el escalado de variables (Estandarización, MinMax) afecta drásticamente a ciertos modelos de regresión y no a otros.
Métricas de Regresión: Comprender e interpretar el Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y el Coeficiente de Determinación (\(R^2\)) en un caso físico real.