miguelandy875/agri-burundi-ml

# Prédiction des Récoltes au Burundi ## Overview Ce projet met en place un pipeline complet de Machine Learning pour prédire si une récolte agricole au Burundi sera bonne ou mauvaise à partir de données agronomiques, climatiques et géographiques. Le dataset utilisé contient des observations simulées couvrant 15 provinces du Burundi, 6 cultures principales, deux saisons agricoles et les années 2015 à 2023. Trois modèles sont entraînés et comparés : un arbre de décision, une forêt aléatoire et une régression logistique. ## Live Application Ouvrir l'application L'application Streamlit permet de saisir les caractéristiques d'une parcelle agricole, de choisir un modèle et d'obtenir une prédiction avec la probabilité associée, les métriques du modèle et l'importance des variables. ## Project Structure ```text agri-burundi-ml/ ├── data/ │ └── agriculture_burundi.csv Données agricoles utilisées pour l'étude. ├── src/ │ ├── __init__.py Initialisation du package Python. │ ├── preprocess.py Fonctions de chargement, nettoyage, encodage, split et inférence. │ ├── train.py Fonctions d'entraînement et de sauvegarde des modèles. │ ├── evaluate.py Fonctions d'évaluation, visualisation et sauvegarde des métriques. │ └── pipeline.py Script reproductible exécutant tout le pipeline ML. ├── models/ │ ├── decision_tree.pkl Modèle arbre de décision entraîné. │ ├── random_forest.pkl Modèle forêt aléatoire entraîné. │ ├── logistic_regression.pkl Modèle régression logistique entraîné. │ ├── scaler.pkl StandardScaler ajusté sur le jeu d'entraînement. │ └── feature_columns.pkl Liste des colonnes utilisées à l'entraînement. ├── notebooks/ │ └── TP_Agriculture.ipynb Notebook complet répondant aux questions Q1 à Q28. ├── app/ │ └── stream …