𝐏𝐫𝐞́𝐝𝐢𝐫𝐞 𝐥𝐞 𝐫𝐞𝐧𝐝𝐞𝐦𝐞𝐧𝐭 𝐚𝐠𝐫𝐢𝐜𝐨𝐥𝐞 𝐠𝐫𝐚̂𝐜𝐞 𝐚̀ 𝐥’𝐈𝐧𝐭𝐞𝐥𝐥𝐢𝐠𝐞𝐧𝐜𝐞 𝐀𝐫𝐭𝐢𝐟𝐢𝐜𝐢𝐞𝐥𝐥𝐞 : 𝐋’𝐚𝐩𝐩𝐫𝐨𝐜𝐡𝐞 𝐑𝐚𝐧𝐝𝐨𝐦 𝐅𝐨𝐫𝐞𝐬𝐭

Le modèle 𝐑𝐚𝐧𝐝𝐨𝐦 𝐅𝐨𝐫𝐞𝐬𝐭, développé à l’aide du package 𝐑𝐚𝐧𝐠𝐞𝐫 sous R, a démontré des 𝐩𝐞𝐫𝐟𝐨𝐫𝐦𝐚𝐧𝐜𝐞𝐬 𝐩𝐫𝐞́𝐝𝐢𝐜𝐭𝐢𝐯𝐞𝐬 𝐞́𝐥𝐞𝐯𝐞́𝐞𝐬 dans l’estimation du rendement agricole. Sur l’échantillon de test, le coefficient de détermination 𝐑² = 𝟎,𝟕𝟓𝟕 indique que 𝟕𝟓,𝟕 % de la variabilité du rendement observé est expliquée par le modèle, traduisant une forte capacité d’anticipation.

Les indicateurs d’erreur confirment cette précision : 𝐑𝐌𝐒𝐄 = 𝟐𝟔,𝟏𝟕, 𝐌𝐀𝐄 = 𝟐𝟏,𝟑𝟓 et 𝐁𝐢𝐚𝐢𝐬 = 𝟎,𝟔𝟔, révélant une faible erreur systématique et une bonne proximité entre valeurs prédites et observées. Le graphique comparatif met en évidence une 𝐟𝐨𝐫𝐭𝐞 𝐚𝐬𝐬𝐨𝐜𝐢𝐚𝐭𝐢𝐨𝐧 𝐥𝐢𝐧𝐞́𝐚𝐢𝐫𝐞 entre prévisions et réalités, bien que quelques écarts témoignent de sous-estimations ou surestimations à certains niveaux de production.

La robustesse du modèle est confirmée par ses performances sur l’ensemble des échantillons : 𝐑² apprentissage = 𝟎,𝟗𝟕𝟖, 𝐑² test = 𝟎,𝟕𝟖𝟗 et 𝐑² OOB = 𝟎,𝟖𝟎𝟐, indiquant une 𝐞𝐱𝐜𝐞𝐥𝐥𝐞𝐧𝐭𝐞 𝐜𝐚𝐩𝐚𝐜𝐢𝐭𝐞́ 𝐝𝐞 𝐠𝐞́𝐧𝐞́𝐫𝐚𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 avec un risque de sur-apprentissage très limité.

Les indicateurs de validation renforcent cette fiabilité : 𝐍𝐒𝐄 = 𝟎,𝟕𝟓𝟕 et 𝐂𝐂𝐂 = 𝟎,𝟖𝟑𝟖, attestant d’une 𝐟𝐢𝐚𝐛𝐢𝐥𝐢𝐭𝐞́ 𝐩𝐫𝐞́𝐝𝐢𝐜𝐭𝐢𝐯𝐞 𝐞́𝐥𝐞𝐯𝐞́𝐞. En définitive, le modèle 𝐑𝐚𝐧𝐝𝐨𝐦 𝐅𝐨𝐫𝐞𝐬𝐭 capte efficacement les 𝐫𝐞𝐥𝐚𝐭𝐢𝐨𝐧𝐬 𝐧𝐨𝐧 𝐥𝐢𝐧𝐞́𝐚𝐢𝐫𝐞𝐬 𝐞𝐭 𝐜𝐨𝐦𝐩𝐥𝐞𝐱𝐞𝐬 entre les facteurs explicatifs et le rendement agricole, ce qui en fait un 𝐨𝐮𝐭𝐢𝐥 𝐬𝐨𝐥𝐢𝐝𝐞 𝐝’𝐚𝐢𝐝𝐞 𝐚̀ 𝐥𝐚 𝐝𝐞́𝐜𝐢𝐬𝐢𝐨𝐧 pour l’agriculture moderne et un levier stratégique pour la 𝐩𝐥𝐚𝐧𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 𝐚𝐠𝐫𝐢𝐜𝐨𝐥𝐞.

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 https://https://forms.gle/mopoGRWKwyTtbEJ16

________________________________________

________________________________________

#AgricultureDePrécision #IntelligenceArtificielle #MachineLearning #RandomForest #AgriData