darlycodeur/AgriScore-Burundi

# Prédiction des récoltes au Burundi Projet de TP IA appliquée à l'agriculture : nettoyage du dataset, exploration, prétraitement, entraînement de trois modèles de classification et application web Streamlit pour prédire une bonne ou mauvaise récolte. ## Application déployée L'application est déjà déployée et accessible ici : agriscore-burundi.streamlit… ## Fonctionnement du projet Le projet utilise le dataset `data/agriculture_burundi.csv` pour analyser les facteurs qui influencent les récoltes au Burundi : province, culture, saison, pluviométrie, température, altitude, superficie, engrais, irrigation et nombre de ménages agricoles. Les données sont d'abord nettoyées, les valeurs manquantes sont traitées, puis les variables catégorielles sont encodées pour être utilisées par les algorithmes de Machine Learning. Trois modèles sont entraînés et comparés : un arbre de décision, une forêt aléatoire et une régression logistique. Les modèles sauvegardés permettent à l'application Streamlit de recevoir les informations saisies par l'utilisateur, de calculer la probabilité d'une bonne récolte et d'afficher les métriques du modèle sélectionné. ## Structure du projet ```text . ├── app/ │ └── streamlit_app.py # Application web Streamlit ├── data/ │ └── agriculture_burundi.csv # Dataset utilisé pour le TP ├── models/ │ ├── decision_tree.pkl # Modèle arbre de décision sauvegardé │ ├── random_forest.pkl # Modèle forêt aléatoire sauvegardé │ ├── logistic_regression.pkl # Modèle régression logistique sauvegardé │ └── metadata.json # Métadonnées, métriques et valeurs par défaut ├── notebooks/ │ └── agriculture_burundi_ml.ipynb # Notebook exécuté avec toutes les réponses ├── reports/ │ ├── figures/ # Visualisations générées │ ├── metrics.json # Résultats détaillés des modèles │ ├── predictions_scenarios.csv # Prédictions des scénarios d …