Análise comparativa de métodos de boosting aplicados à recomendação de cultivos agrícolas

Resumo

RESUMO

O emprego de tecnologias preditivas, como algoritmos de machine learning, surge como uma alternativa viável e eficiente para orientar escolhas e recomendações de cultivo. Estes algoritmos  aprimoram a precisão das decisões agronômicas e mitigam riscos ambientais e econômicos. Neste contexto, este trabalho teve como objetivo comparar o desempenho, na recomendação de culturas agrícolas, dos modelos XGBoost (eXtreme Gradient Boosting) e CATBoost (Categorical Boosting) e ADABoost (Adaptive Boosting). Utiliza-se, para realizar esta comparação, uma base de dados com 6 diferentes culturas, 2 parâmetros físicos e 9 nutrientes. Os modelos XGBoost CATBoost e ADABoost tiveram seus hiperparâmetros otimizados com o auxilio da biblioteca Optuna e foram avaliados por meio das métricas Accuracy, Kappa e f1-score. Os resultados obtidos indicam que os três modelos apresentaram, na tarefa de recomendação de culturas agrícolas, muito bom desempenho, com valores elevados de acurácia, Kappa e f1-score.