Scribd
Importer
1 vues3 pages

Data

Cette présentation aborde la prédiction du rendement du maïs en Afrique en utilisant la régression linéaire multiple et la régression polynomiale. Elle souligne l'importance de l'agriculture pour l'économie africaine et décrit la méthodologie employée pour analyser un jeu de données de 1500 observations. Les résultats montrent que la régression polynomiale surpasse la régression linéaire en termes de performance, capturant mieux les relations non linéaires entre les variables agricoles et le rendement.

Transféré par

patrickmarclode
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
1 vues3 pages

Data

Cette présentation aborde la prédiction du rendement du maïs en Afrique en utilisant la régression linéaire multiple et la régression polynomiale. Elle souligne l'importance de l'agriculture pour l'économie africaine et décrit la méthodologie employée pour analyser un jeu de données de 1500 observations. Les résultats montrent que la régression polynomiale surpasse la régression linéaire en termes de performance, capturant mieux les relations non linéaires entre les variables agricoles et le rendement.

Transféré par

patrickmarclode
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

PRÉSENTATION POWERPOINT

Slide 1 : Titre
Prédiction du rendement du maïs en Afrique
Utilisation de la Régression Linéaire Multiple et de la Régression Polynomiale

Nom :
Master 1 – Intelligence Artificielle
Université : ESGIS

Slide 2 : Contexte et Problématique


 L’agriculture est un pilier de l’économie africaine
 Le rendement du maïs dépend de plusieurs facteurs climatiques et agronomiques
 Une mauvaise estimation peut entraîner des pertes importantes

Problématique :
Comment prédire efficacement le rendement du maïs à partir de données agricoles ?

Slide 3 : Objectifs du Travail


 Trouver un dataset dans le domaine agricol sur [Link]
 Comprendre l’application des algorithmes de régression en IA
 Prédire le rendement du maïs à l’aide de données agricoles
 Comparer deux modèles :
o Régression linéaire multiple
o Régression polynomiale
 Analyser et interpréter les résultats

Slide 4 : Jeu de Données


 1500 observations
 11 variables numériques
 Données synthétiques réalistes
 Variable cible :
o maize_yield_t_per_ha (tonnes/hectare)

Types de variables :

 Climatiques
 Agronomiques
 Production agricole

Slide 5 : Analyse Exploratoire des Données (EDA)


 Analyse de la distribution du rendement du maïs
 Vérification des valeurs manquantes (aucune valeur manquante)
 Étude des corrélations entre les variables

👉 Objectif : comprendre les relations entre les variables avant la modélisation

Slide 6 : Méthodologie
1. Chargement et exploration des données
2. Analyse exploratoire (EDA)
3. Séparation des données :
o 80 % entraînement
o 20 % test
4. Entraînement des modèles
5. Évaluation avec des métriques
6. Analyse graphique des résultats

Slide 7 : Modèles Utilisés


Régression Linéaire Multiple

 Modélise une relation linéaire entre plusieurs variables explicatives et la variable cible
 Simple et interprétable

Régression Polynomiale (degré 2)

 Extension de la régression linéaire


 Permet de capturer des relations non linéaires

Slide 8 : Métriques d’Évaluation


 R² (Coefficient de détermination)
→ Qualité globale du modèle
 RMSE (Root Mean Squared Error)
→ Mesure l’erreur moyenne en pénalisant les grandes erreurs
 MAE (Mean Absolute Error)
→ Erreur moyenne absolue, facile à interpréter

Slide 9 : Résultats des Modèles


 Les deux modèles donnent de bonnes performances
 La régression polynomiale obtient :
o Un R² plus élevé
o Des erreurs plus faibles (RMSE, MAE)

👉 Elle capture mieux la complexité des relations agricoles

Slide 10 : Analyse Graphique


 Graphique valeurs réelles vs valeurs prédites
 Distribution des erreurs
 Comparaison des scores R²

👉 Les graphiques montrent une meilleure précision du modèle polynomial

Slide 11 : DEMO
 La régression linéaire multiple est un bon modèle de base
 La régression polynomiale est plus performante
 Les relations entre les variables agricoles et le rendement sont non linéaires

Slide 12 : Conclusion
 La régression linéaire multiple est un bon modèle de base
 La régression polynomiale est plus performante
 Les relations entre les variables agricoles et le rendement sont non linéaires

Slide 13 : Merci
Merci pour votre attention
Des questions ?

Vous aimerez peut-être aussi