Prédiction du rendement du maïs avec l’IA
SLIDE 1 – TITRE
Bonjour Monsieur / Mesdames et Messieurs.
Je vais vous présenter aujourd’hui mon travail intitulé :
« Prédiction du rendement du maïs en Afrique à l’aide de la régression linéaire multiple
et de la régression polynomiale »,
réalisé dans le cadre du cours Introduction à l’Intelligence Artificielle en Master 1.
SLIDE 2 – CONTEXTE ET PROBLÉMATIQUE
L’agriculture est un secteur très important en Afrique, notamment pour la sécurité alimentaire
et l’économie.
Le rendement du maïs dépend de plusieurs facteurs comme le climat, le sol et les pratiques
agricoles.
Le problème est que ces facteurs sont nombreux et parfois complexes à analyser
manuellement.
La problématique de ce travail est donc :
comment prédire efficacement le rendement du maïs à partir de données agricoles à l’aide de
l’intelligence artificielle ?
SLIDE 3 – OBJECTIFS DU TRAVAIL
Les objectifs de ce travail sont les suivants :
Premièrement, comprendre l’utilisation des algorithmes de régression en intelligence
artificielle.
Deuxièmement, appliquer la régression linéaire multiple pour prédire le rendement du maïs.
Troisièmement, appliquer la régression polynomiale afin de capturer des relations plus
complexes.
Enfin, comparer les performances des deux modèles à l’aide de métriques et de graphiques.
SLIDE 4 – JEU DE DONNÉES
Le jeu de données utilisé contient 1500 observations et 11 variables numériques.
La variable cible est le rendement du maïs exprimé en tonnes par hectare.
Les variables explicatives représentent des facteurs climatiques, agronomiques et de
production, comme la pluviométrie, la température, l’engrais, l’irrigation et la qualité des
semences.
Le dataset ne contient aucune valeur manquante, ce qui facilite son utilisation.
SLIDE 5 – ANALYSE EXPLORATOIRE DES DONNÉES
Avant l’entraînement des modèles, j’ai réalisé une analyse exploratoire des données.
Cette étape permet de comprendre la distribution du rendement du maïs et les relations entre
les variables.
J’ai également analysé la matrice de corrélation afin d’identifier les variables les plus liées au
rendement.
Cette analyse montre que certaines variables ont une forte influence positive ou négative sur
le rendement.
SLIDE 6 – MÉTHODOLOGIE
La méthodologie suivie est la suivante :
Tout d’abord, les données ont été séparées en deux parties :
80 % pour l’entraînement et 20 % pour le test.
Ensuite, les modèles ont été entraînés sur les données d’entraînement.
Enfin, leurs performances ont été évaluées sur les données de test à l’aide de métriques et de
graphiques.
SLIDE 7 – MODÈLES UTILISÉS
Deux modèles de régression ont été utilisés.
Le premier est la régression linéaire multiple, qui suppose une relation linéaire entre les
variables explicatives et le rendement.
Le second est la régression polynomiale de degré 2, qui permet de modéliser des relations
non linéaires entre les variables.
L’objectif est de voir lequel des deux modèles donne les meilleures prédictions.
SLIDE 8 – MÉTRIQUES D’ÉVALUATION
Pour évaluer les modèles, trois métriques ont été utilisées.
Le R², qui mesure la capacité du modèle à expliquer la variance du rendement.
Le RMSE, qui mesure l’erreur moyenne en pénalisant fortement les grandes erreurs.
Et le MAE, qui représente l’erreur moyenne absolue entre les valeurs réelles et prédites.
Plus le R² est élevé et plus le RMSE et le MAE sont faibles, meilleur est le modèle.
SLIDE 9 – RÉSULTATS
Les résultats montrent que les deux modèles obtiennent de bonnes performances.
Cependant, la régression polynomiale présente un R² plus élevé et des erreurs plus faibles
sur les données de test.
Cela signifie que ce modèle prédit le rendement du maïs avec une meilleure précision.
SLIDE 10 – ANALYSE GRAPHIQUE
Les graphiques confirment ces résultats.
Les points sont plus proches de la diagonale idéale pour la régression polynomiale.
De plus, la distribution des erreurs est mieux centrée autour de zéro.
Cela indique une meilleure qualité de prédiction et moins de biais.
SLIDE 11 – CONCLUSION
En conclusion, la régression linéaire multiple est un bon modèle de base, simple et
interprétable.
Toutefois, la régression polynomiale est plus performante car elle capture les relations non
linéaires entre les variables agricoles et le rendement du maïs.
Ce travail montre donc l’intérêt de l’intelligence artificielle dans le domaine agricole.