Mrittika AI
ML-модели для подбора сельхозкультур и удобрений
2 мин чтенияобновлено
Набор классических моделей машинного обучения от автора ripro805, созданный для рекомендаций по выбору сельскохозяйственных культур и расчёта удобрений в условиях Бангладеш. В основе лежат алгоритмы градиентного бустинга и ансамблей деревьев (ExtraTrees, XGBoost и LightGBM), обученные на локальных аграрных данных. На выходе система подсказывает подходящую культуру для посева, определяет тип удобрения и оценивает его необходимую дозировку в килограммах на гектар. Репозиторий пригодится разработчикам агротехнических сервисов и исследователям в области табличного ML.
Ключевые особенности
- Подбор культур реализован на базе алгоритма ExtraTrees с точностью 86.13% (top-3 accuracy достигает 97.59%).
- Рекомендация удобрений разделена на две задачи: классификацию типа (XGBoost) и регрессию дозировки (LightGBM).
- Вместе с весами опубликованы исходные CSV-датасеты (
bangladesh_crop_recommendation.csvиbangladesh_fertilizer_recommendation.csv). - В репозитории доступны графики важности признаков (feature importance) и матрицы ошибок (confusion matrix).
Что можно сделать
- Интегрировать модели в веб-сервис или Telegram-бота для фермеров, чтобы подбирать культуры и норму удобрений по параметрам почвы и климата.
- Использовать приложенные датасеты и метрики как готовый бенчмарк для экспериментов с табличными данными в scikit-learn, XGBoost и LightGBM.
Пример
import pickle
with open("mrittika_crop_model.pkl", "rb") as file:
crop_model = pickle.load(file)
with open("mrittika_fertilizer_model.pkl", "rb") as file:
fertilizer_model = pickle.load(file)
Подробнее
Выбор культур (ExtraTrees): test accuracy 0.8613, macro-F1 0.8599, top-3 accuracy 0.9759.Подбор удобрений: классификатор XGBoost (accuracy 0.9617, macro-F1 0.9394) и регрессор LightGBM (R2 0.9740, MAE 29.221 kg/ha).
Модели сохранены в формате Python pickle (
.pkl) — для запуска требуются совместимые версии библиотек и соблюдение схемы входных признаков.









Комментарии