ezekiel-oos/togo-maize-yield-prediction

Analyse et prédiction du rendement du maïs au Togo (1961-2024) avec Python et Scikit-learn # Prédiction du rendement du maïs au Togo (1961–2024) Analyse et prédiction du rendement agricole du maïs au Togo à partir de données historiques FAOSTAT, avec comparaison de modèles Machine Learning. --- ## 🎯 Objectif Analyser l'évolution du rendement du maïs au Togo sur 64 ans et construire un modèle de prédiction capable d'estimer le rendement futur (kg/ha). --- ## 📊 Données - **Source** : FAOSTAT (FAO, Nations Unies) - **Période** : 1961 à 2024 — 64 observations - **Variable cible** : Rendement en kg/ha - **Variable prédictive** : Année --- ## 🛠️ Outils utilisés - Python, Pandas, NumPy - Matplotlib (visualisation) - Scikit-learn (Machine Learning) - Plotly Dash (dashboard interactif) - Google Colab --- ## 🤖 Modèles comparés | Modèle | MAE (kg/ha) | R² | |---|---|---| | Régression linéaire | 173.92 | 0.36 | | **Random Forest** | **98.79** | **0.74** | ➡️ Le Random Forest réduit l'erreur de **43%** par rapport à la régression linéaire. --- ## 📈 Résultats clés - Tendance haussière confirmée sur 64 ans - Rendement moyen : 1 019 kg/ha - Meilleur modèle : Random Forest (R² = 0.74) - Dashboard interactif permettant de prédire le rendement jusqu'en 2035 --- ## 🚀 Dashboard interactif Le fichier `dashboard.py` contient un dashboard Plotly Dash avec : - Graphique interactif du rendement réel vs prédit - Slider pour prédire les années 2025–2035 - Affichage dynamique de la prédiction Pour lancer le dashboard localement : ```bash pip install dash plotly pandas scikit-learn python dashboard.py ``` Accès sur `127.0.0.1` --- ## ⚠️ Limites et améliorations possibles Le modèle utilise uniquement l'année comme variable prédictive. Des améliorations sont possibles en ajoutant : - Pluviométrie annuelle - Consommation d'engrais - Politiques agricoles nationales - Séries temporelles (ARIMA / Prophet) --- ## 👤 Auteur **Ezekiel Hoffer Koffi** — Analyste de données, Lomé, Togo GitHub : github.com