Sistema de recomendación de Cultivos

Este proyecto busca desarrollar un modelo de Machine Learning que recomiende el cultivo más adecuado en función de variables del suelo y condiciones climáticas, utilizando datos reales del Crop Recommendation Dataset.

Tecnologías utilizadas

• Python
• Pandas / NumPy
• Scikit-learn
• Matplotlib / Seaborn
• Google Colab (entorno basado en Jupyter)

Contenido del dataset

• N: Nitrógeno en el suelo (ppm)
• P: Fósforo en el suelo (ppm)
• K: Potasio en el suelo (ppm)
• temperature: Temperatura en °C
• humidity: Humedad relativa (%)
• ph: pH del suelo
• rainfall: Precipitación anual (mm)
• label: Cultivo recomendado

Objetivo

Predecir el cultivo más adecuado a partir de parámetros físico-químicos del suelo y condiciones ambientales, aplicando algoritmos de clasificación.

Modelo implementado

• Random Forest Classifier

El modelo fue entrenado y ajustado con el objetivo de maximizar la precisión en la predicción de cultivos. Se aplicó un enfoque supervisado, partiendo del análisis exploratorio de los datos, su preprocesamiento y la evaluación del desempeño del modelo entrenado.

Evaluación

Se utilizó una matriz de confusión y métricas como precisión y F1-score para validar el modelo. La interpretación de resultados incluyó la identificación de cultivos con mayor tasa de acierto y aquellos con confusión frecuente.

Estructura del proyecto

• ProyectoML_SuelosCultivos.ipynb: Notebook con el análisis y desarrollo completo.
• Crop_recommendation.csv: Dataset de entrada.
• README.md: Descripción general del proyecto.

Créditos

Dataset obtenido de Kaggle: Crop Recommendation Dataset