Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

Les agriculteurs ont toujours su que la bonne culture dépend des bonnes conditions. Un champ qui prospère avec du riz peut échouer avec du blé, non pas parce que les semences sont différentes, mais parce que la chimie du sol et les modèles météorologiques ne correspondent pas aux besoins de la plante. Ces conditions incluent l'équilibre des nutriments comme l'azote, le phosphore et le potassium dans le sol, ainsi que la température, l'humidité, la pluviométrie et l'acidité du sol. Pendant des siècles, la prise de ces décisions reposait sur l'expérience et l'intuition, mais aujourd'hui, les ordinateurs peuvent aider. En injectant des données sur le sol et le climat dans des modèles d'apprentissage automatique, des systèmes peuvent prédire quelle culture poussera le mieux dans un lieu spécifique. Cette approche, connue sous le nom d'agriculture de précision, promet d'économiser les ressources, de protéger la terre et d'assurer la sécurité alimentaire, en particulier pour les agriculteurs qui ne peuvent pas se permettre de commettre des erreurs coûteuses.

Cependant, une question persistante est restée dans le domaine de l'informatique : combiner de nombreux modèles de prédiction différents en un seul groupe puissant fonctionne-t-il réellement mieux que de simplement perfectionner un seul modèle ? Dans le monde de l'apprentissage automatique, ce groupe est appelé un ensemble. L'idée est que si vous demandez l'avis de plusieurs experts différents et que vous faites la moyenne, vous obtenez une meilleure réponse qu'en interrogeant un seul. Mais cet article, mené par des chercheurs de l'Université de la ville de Dhaka, au Bangladesh, visait à tester si cette règle est vraie lorsque l'expert unique est déjà hautement entraîné. Ils voulaient savoir si la complexité supplémentaire consistant à faire fonctionner plusieurs modèles côte à côte était nécessaire, ou si un modèle unique, soigneusement ajusté, pouvait faire le travail tout aussi bien.

Pour trouver la réponse, les chercheurs ont commencé par deux grandes collections publiques de données sur les cultures. Une collection contenait des enregistrements pour 22 types de cultures différents, tandis que l'autre présentait des données pour 51 types. Ils ont choisi la collection plus petite et équilibrée de 2 200 enregistrements, où chacune des 22 cultures apparaissait exactement 100 fois. Cet équilibre était crucial car il garantissait que les modèles informatiques n'étaient pas biaisés en faveur des cultures les plus communes. Ils ont ensuite entraîné cinq types différents d'algorithmes informatiques sur ces données. Ceux-ci comprenaient un modèle linéaire simple, une méthode qui examine les points de données voisins, un grand groupe d'arbres de décision travaillant ensemble, un puissant algorithme de boosting qui apprend de ses erreurs, et un réseau neuronal conçu pour imiter le cerveau humain.

Les chercheurs ont d'abord testé ces cinq modèles en utilisant leurs paramètres standards pour voir comment ils performaient. Les résultats ont montré que le groupe d'arbres de décision, connu sous le nom de Forêt Aléatoire (Random Forest), et l'algorithme de boosting étaient les plus sérieux concurrents. Le réseau neuronal a également bien performé, tandis que les modèles plus simples accusaient un léger retard. Ensuite, l'équipe a pris les trois meilleurs performeurs et a passé du temps à les affiner. Ce processus consistait à ajuster les paramètres internes de chaque modèle, tels que la profondeur de croissance des arbres de décision ou la vitesse d'apprentissage du réseau neuronal, afin d'extraire chaque once possible de précision. Ils ont utilisé une méthode rigoureuse pour s'assurer qu'ils ne laissaient pas involontairement les données de test influencer l'entraînement, en gardant les données strictement séparées.

Après avoir perfectionné ces trois modèles individuels, les chercheurs ont construit trois types d'ensembles différents. Ils ont créé un système où les modèles votent sur la réponse, un autre où ils font la moyenne de leurs niveaux de confiance, et un troisième où un modèle maître apprend à combiner les prédictions des autres. Ils ont ensuite ajusté ces systèmes de groupe aussi soigneusement que les modèles individuels. La comparaison finale a révélé une vérité surprenante et pratique. Le modèle de Forêt Aléatoire unique, une fois parfaitement ajusté, a atteint une précision de 99,54 pour cent. Les systèmes d'ensembles les plus sophistiqués, après tout leur ajustement, ont atteint exactement le même score. En fait, les systèmes de groupes complexes n'ont pas amélioré le résultat, même d'une fraction de pourcent.

L'étude conclut que pour ce type spécifique de données agricoles, ajouter plus de modèles au mélange ne rend pas la prédiction meilleure. Les chercheurs ont constaté que les données elles-mêmes ont une limite quant à la précision avec laquelle elles peuvent être prédites, et qu'un modèle unique, bien calibré, peut atteindre cette limite aussi efficacement qu'une équipe massive de modèles. Cette conclusion est significative car elle suggère que les agriculteurs et les organisations agricoles n'ont pas besoin d'investir dans des systèmes informatiques coûteux et complexes qui font fonctionner des dizaines de modèles simultanément. Au lieu de cela, ils peuvent compter sur un modèle de Forêt Aléatoire unique, plus léger, plus facile à installer, moins cher à exploiter et tout aussi précis. Ce travail démontre que dans la recherche de meilleures recommandations de cultures, la simplicité et l'ajustement minutieux peuvent être tout aussi puissants que la complexité.