An Experimental Analysis of Traditional Machine Learning Algorithms for Maize Yield Prediction
Notice bibliographique
Résumé
Maize plays a significant role in the African diet and is one of the main staple foods in many parts of the continent. Accurate yield estimations ensure an adequate food supply, contributing to food security and reducing the risk of food shortages. They also enable market planning and price setting. Machine learning is well known as one of the most advanced statistical methods for predicting crop yields. This paper provides extensive experiment results of machine learning models on maize production. Thirteen basic supervised learning algorithms classified into classic and ensemble learning are compared using three datasets of different sizes and from various sources (Kaggle, Zenodo). These datasets are from three main origins: experimentation, specifically covering crop data with 240 observations; predictions on crop yield from the FAO (Food and Agriculture Organization) and World Data Bank with 4,121 observations; and historical data from China with 975 observations. The metrics used to evaluate the models are the coefficient of determination, the mean absolute error, the root mean square error, and the explained variance score. Moreover, permutation importance is used on the best models to identify the most relevant predictors for the models according to the data. The results show that extremely randomized trees (ERT) and extreme gradient boosting (XGBoost) are more suitable for predicting maize yield with a coefficient of determination between 0.75 and 0.96 and 0.73 and 0.96, respectively. With the other metrics, the ERT model shows a low performance. Its training time varies between 2,547 and 7,814 seconds as obtained from a computer with characteristics of HP core i5, CPU @ 1.00 GHz, 1.9 GHz, and 8 GB RAM under 134 Windows 10. ERT and XGBoost are best suited to these databases of varying dimensions, making them perfect for predicting maize yield and streamlining decision-making processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».