Título:	Modelo de aprendizado supervisionado para validações a campo do algoritmo Embrapa/MAHM.
Autoria:	CAVALCANTI, F. R.
Afiliação:	FABIO ROSSI CAVALCANTI, CNPUV.
Ano de publicação:	2025
Referência:	Bento Gonçalves, RS: Embrapa Uva e Vinho, maio 2025.
Páginas:	9 p.
Conteúdo:	Avanços tecnológicos têm impulsionado o uso de inteligência artificial na detecção e previsão de doenças em plantas. Este trabalho desenvolveu um modelo de classificação em aprendizado de máquina, combinando SVC, Regressão Logística e Random Forest, com o objetivo de reproduzir os alertas de pulverização do método GMAHM (Embrapa/MAHM) para controle do míldio da videira. Utilizando o Scikit-Learn e um conjunto de dados com 1.200 linhas e 168 variáveis ambientais, o processo envolveu tratamento de dados, normalização, treinamento dos modelos, validação cruzada e otimização de hiperparâmetros. O modelo obteve 97% de acurácia no teste inicial, mas 84% com novos dados, indicando leve superestimação. Apesar disso, mostrou-se promissor para treinamentos com observações de campo visando versões mais precisas do Embrapa/MAHM.
Palavras-chave:	Aprendizado de máquina Máquinas de vetores de suporte Regressão logística Floresta aleatória Ciência de dados
Série:	(Embrapa Uva e VInho. Boletim de Pesquisa e Desenvolvimento, 36).
ISSN:	1981-1004
Notas:	CGPE: 19049
Tipo do Material:	Folhetos
Acesso:	openAccess
Aparece nas coleções:	Boletim de Pesquisa e Desenvolvimento (CNPUV)