Predizione della Resa della Soia tramite Modelli di Regressione

Corso: Intelligenza Artificiale 2 – Sapienza Università di Roma (A.A. 2025/2026)

• Riccardo Romano – 2126461
• Hera Polegri – 2153537
• Gabriele Savo – 2158430

---

Obiettivo del Progetto

Questo progetto ha l’obiettivo di sviluppare un modello di Machine Learning supervisionato in grado di prevedere la resa in grano della soia (Grain Yield, GY) a partire da caratteristiche morfologiche e agronomiche della pianta, insieme a informazioni di contesto sperimentale come la cultivar e la stagione di crescita.

Il problema affrontato è un caso di regressione su dati tabellari, tipico dell’ambito agronomico, caratterizzato da un numero limitato di osservazioni e da una naturale variabilità biologica del fenomeno studiato.

---

Punti di Forza e Metodologia

Il progetto è stato strutturato seguendo un approccio rigoroso e riproducibile, con particolare attenzione alla corretta modellazione dei dati sperimentali:

1. Separazione tra Feature Numeriche e Categoriali:
   Le variabili di natura diversa sono state trattate in modo appropriato, utilizzando standardizzazione per le feature numeriche e one-hot encoding per le variabili categoriali (cultivar e stagione).

2. Pipeline Completa e Senza Data Leakage:
   Tutte le fasi di preprocessing e modellazione sono state incapsulate in oggetti Pipeline di scikit-learn, garantendo una valutazione corretta e riproducibile.

3. Confronto tra Modelli di Complessità Differente:
   Sono stati confrontati un modello lineare regolarizzato (Ridge Regression) e un modello non lineare (Random Forest Regressor) per valutare l’impatto della complessità del modello sulle prestazioni predittive.

---

Dataset

Il dataset utilizzato deriva da uno studio sperimentale agronomico sulle cultivar di soia.

• Numero di osservazioni: 320
• Cultivar: 40
• Stagioni di crescita: 2
• Repliche sperimentali: 4 per ciascuna combinazione cultivar–stagione

Variabili

• Variabili numeriche:
  PH, IFP, NLP, NGP, NGL, NS, MHG, Repetition
• Variabili categoriali:
  Season, Cultivar
• Target:
  GY – Grain Yield (resa in granella)

Nota: la variabile MHG nel dataset corrisponde al Thousand Seed Weight-TSW descritto nel paper di riferimento.

Il file data.csv è incluso nella cartella data/ per garantire la completa riproducibilità del progetto.

---

Pipeline del Progetto

Il workflow seguito nel notebook Soybean_Dataset_Project_Models.ipynb è il seguente:

1. Data Loading: caricamento del dataset e controlli di consistenza.
2. Problem Definition: definizione formale di input e target.
3. Train/Test Split: suddivisione dei dati (80% training, 20% test).
4. Preprocessing: standardizzazione delle variabili numeriche e one-hot encoding delle variabili categoriali tramite ColumnTransformer.
5. Baseline Model: addestramento e valutazione di una Ridge Regression.
6. Non-Linear Model: addestramento e valutazione di una Random Forest Regressor.
7. Evaluation: confronto dei modelli tramite MAE, RMSE e R² sul test set.
8. Model Selection: selezione e salvataggio del modello migliore.

---

Risultati Chiave

Il confronto tra i modelli mostra che la Ridge Regression ottiene prestazioni leggermente migliori rispetto alla Random Forest sul test set:

• MAE (test): ~277 kg/ha
• RMSE (test): ~350 kg/ha
• R² (test): ~0.53

La Random Forest non fornisce un miglioramento significativo, suggerendo che, per questo dataset e in presenza di rumore biologico, una relazione approssimativamente lineare tra feature e target sia sufficiente a descrivere il fenomeno.

I risultati quantitativi sono disponibili in: results/metrics.csv