Projeto - Previsão da produtividade de arroz em casca

Machine Learning
Tidymodels
Usando o pacote tidymodels do R.
Author

Jennifer Luz Lopes

Published

December 8, 2025

Previsão da produtividade de arroz em casca com tidymodels

  • Pipeline completo de Machine Learning em R

  • Este repositório apresenta um pipeline para prever a produtividade de arroz (paddy yield) usando o ecossistema tidymodels.

  • O projeto inclui pré-processamento, engenharia de atributos, tuning, comparação de modelos, retreinamento e diagnóstico completo dos resíduos.

Relatório HTML

Leia o relatório com todas as etapas e explicações aqui.

Repositório do GitHub

Acesse o repositório completo aqui.

Livro utilizado para reproduzir as etapas da modelagem

1. Objetivo

Construir um fluxo completo de modelagem para prever produtividade de arroz (kg/ha) a partir de variáveis agronômicas, climáticas e operacionais do Paddy Dataset (UCI, 2023).

2. Motivação

Trabalhei com arroz desde a graduação até o doutorado, sempre na área de melhoramento genético. Eu nunca havia trabalhado com variáveis operacionais e ambientais como as deste dataset, e buscava um banco rico para aplicar técnicas modernas de Machine Learning. O Paddy Dataset foi a escolha ideal para essa exploração.

3. Sobre o Dataset

  • 2789 observações
  • 45 variáveis preditoras completas (sem NA)
  • Talhões do estado de Tamil Nadu (Índia)
  • Variáveis de clima, irrigação, adubação, manejo, temperatura e produtividade

Fonte: Subramaniyan (2023), UCI Machine Learning Repository.

4. Pipeline de Modelagem

O pipeline inclui:

  1. Carregamento e limpeza dos dados
  2. Estatística descritiva e identificação da escala da resposta
  3. Split estratificado (80/20)
  4. Validação cruzada (5-Fold)
  5. Recipe completa com engenharia de atributos
    • fertilizante/ha
    • densidade de semeadura
    • efeitos de chuva por janelas
    • água total e água por hectare
    • médias e amplitudes térmicas
    • métricas de investimento
    • imputação, normalização, dummies e Yeo-Johnson
  6. Modelos utilizados
    • Random Forest (ranger)
    • XGBoost
  7. Tuning com grid regular
  8. Comparação Random Forest vs XGBoost
  9. Treino Final com hiperparâmetros ótimos
  10. Avaliação no conjunto de teste
  11. Função de previsão para novos dados
  12. Função de retreinamento
  13. Análise completa de resíduos e gráficos de diagnóstico

5. Resultados Principais

Modelo vencedor: Random Forest

Desempenho no teste:

  • RMSE ~ 796.72 kg/ha

  • R² ~ 0.9921

  • MAE ~ 569.86 kg/ha

Esses valores indicam excelente capacidade de generalização e baixa taxa de erro considerando a escala dos dados.

6. Estrutura do Repositório

├── data
│   ├── data_example.xlsx
│   ├── new_data.xlsx
│   ├── novos_api.csv
│   ├── novos_dados_paddy.csv
│   └── paddydataset.csv
├── estilo.css
├── imagens
│   ├── artigo.JPG
│   └── etapas.png
├── machine_learning_portifólio.Rproj
├── outputs
│   ├── modelo_paddy_final.rds
│   ├── modelo_paddy_retreinado.rds
│   ├── model_comparison.csv
│   ├── receita_preprocessamento.rds
│   ├── test_metrics.csv
│   └── test_predictions.csv
├── paddy_ml.qmd
├── README.md
└── scripts
    └── paddy_ml.r

7. Como Reproduzir

Instale os pacotes

if (!requireNamespace("pacman")) install.packages("pacman")
pacman::p_load(tidymodels, tidyverse, skimr, janitor, ranger, xgboost,
               doParallel, glue, vip, patchwork)

Carregue os dados

df_raw <- read_csv("data/paddydataset.csv") |> clean_names()

Execute o pipeline principal

O script segue a ordem lógica do processo, por exemplo:

1. 01_preprocessamento

2. 02_treinamento

3. 03_avaliacao

4. 04_retreinamento

8. Previsões em novos dados

previsoes <- predict_yield(novos_dados)

9. Retreinamento com novos dados

modelo_atualizado <- retrain_model(novos_dados, original_data = train_data)

10. Diagnóstico dos Resíduos

Foram gerados:

  • Gráfico Predito vs Observado

  • Distribuição dos Resíduos

  • Resíduos vs Preditos

  • Q-Q Plot

  • Painel combinado (patchwork)

Esses gráficos confirmam ausência de viés, normalidade aproximada dos resíduos e bom ajuste geral.

11. Citação do Dataset

@misc{paddy_dataset_1186,
  author       = {Subramaniyan, Muthukumaran},
  title        = {Paddy Dataset},
  year         = {2023},
  howpublished = {UCI Machine Learning Repository},
  note         = {DOI: https://doi.org/10.24432/C55W3J}
}

12. Licença

MIT.

Back to top