Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

Los agricultores siempre han sabido que el cultivo adecuado depende de las condiciones adecuadas. Un campo que prospera con el arroz podría fracasar con el trigo, no porque las semillas sean diferentes, sino porque la química del suelo y los patrones climáticos no coinciden con las necesidades de la planta. Estas condiciones incluyen el equilibrio de nutrientes como el nitrógeno, el fósforo y el potasio en la tierra, junto con la temperatura, la humedad, las precipitaciones y la acidez del suelo. Durante siglos, la toma de estas decisiones dependió de la experiencia y la intuición, pero hoy en día, las computadoras pueden ayudar. Al introducir datos sobre el suelo y el clima en modelos de aprendizaje automático, los sistemas pueden predecir qué cultivo crecerá mejor en una ubicación específica. Este enfoque, conocido como agricultura de precisión, promete ahorrar recursos, proteger la tierra y garantizar la seguridad alimentaria, especialmente para los agricultores que no pueden permitirse cometer errores costosos.

Sin embargo, una pregunta persistente ha permanecido en el campo de la informática: ¿funciona realmente mejor combinar muchos modelos de predicción diferentes en un grupo único y poderoso que simplemente perfeccionar un solo modelo? En el mundo del aprendizaje automático, este grupo se llama un ensamble. La idea es que si le pides la opinión a varios expertos diferentes y sacas el promedio, obtienes una mejor respuesta que preguntando a uno solo. Pero este artículo, realizado por investigadores de la Universidad de la Ciudad en Dhaka, Bangladesh, se propuso probar si esta regla se cumple cuando el experto individual ya está altamente entrenado. Querían saber si la complejidad adicional de ejecutar múltiples modelos simultáneamente era necesaria, o si un solo modelo cuidadosamente ajustado podía hacer el trabajo igual de bien.

Para encontrar la respuesta, los investigadores comenzaron con dos grandes colecciones públicas de datos sobre cultivos. Una colección contenía registros de 22 tipos diferentes de cultivos, mientras que la otra tenía datos de 51 tipos. Eligieron la colección más pequeña y equilibrada de 2,200 registros, donde cada uno de los 22 cultivos aparecía exactamente 100 veces. Este equilibrio era crucial porque aseguraba que los modelos computacionales no estuvieran sesgados hacia los cultivos más comunes. Luego, entrenaron cinco tipos diferentes de algoritmos computacionales con estos datos. Estos incluían un modelo lineal simple, un método que observa los puntos de datos cercanos, un gran grupo de árboles de decisión trabajando juntos, un poderoso algoritmo de potenciación (boosting) que aprende de sus errores, y una red neuronal diseñada para imitar el cerebro humano.

Los investigadores primero probaron estos cinco modelos utilizando sus configuraciones estándar para ver cómo se desempeñaban. Los resultados mostraron que el grupo de árboles de decisión, conocido como Bosque Aleatorio (Random Forest), y el algoritmo de potenciación eran los contendientes más fuertes. La red neuronal también funcionó bien, mientras que los modelos más simples se quedaron un poco atrás. A continuación, el equipo tomó los tres mejores competidores y dedicó tiempo a perfeccionarlos. Este proceso consistió en ajustar las configuraciones internas de cada modelo, como la profundidad a la que podían crecer los árboles de decisión o la velocidad a la que la red neuronal aprendía, para exprimir cada ápice de precisión posible. Utilizaron un método riguroso para asegurar que no estaban dejando inadvertidamente que los datos de prueba influyeran en el entrenamiento, manteniendo los datos estrictamente separados.

Después de perfeccionar estos tres modelos individuales, los investigadores construyeron tres tipos diferentes de ensambles. Crearon un sistema donde los modelos votaban la respuesta, otro donde promediaban sus niveles de confianza, y un tercero donde un modelo maestro aprendía cómo combinar las predicciones de los otros. Luego ajustaron estos sistemas de grupo tan cuidadosamente como los modelos individuales. La comparación final reveló una verdad sorprendente y práctica. El modelo de Bosque Aleatorio individual, una vez perfectamente ajustado, alcanzó una precisión del 99.54 por ciento. Los sistemas de ensamble más sofisticados, después de todo su ajuste, alcanzaron exactamente la misma puntuación. De hecho, los complejos sistemas de grupo no mejoraron el resultado ni siquiera por una fracción de un punto porcentual.

El estudio concluye que, para este tipo específico de datos agrícolas, añadir más modelos a la mezcla no hace que la predicción sea mejor. Los investigadores descubrieron que los datos mismos tienen un límite en cuanto a qué tan precisamente pueden ser predichos, y un modelo único y bien calibrado puede alcanzar ese límite de manera tan efectiva como un equipo masivo de modelos. Este hallazgo es significativo porque sugiere que los agricultores y las organizaciones agrícolas no necesitan invertir en sistemas computacionales costosos y complejos que ejecuten docenas de modelos simultáneamente. En su lugar, pueden confiar en un modelo de Bosque Aleatorio único y ligero que es más fácil de instalar, más barato de ejecutar y igualmente preciso. El trabajo demuestra que, en la búsqueda de mejores recomendaciones de cultivos, la simplicidad y el ajuste cuidadoso pueden ser tan poderosos como la complejidad.