ShroomLearning —
 Classification ML de Champignons

Motivation

L’identification de champignons est un problème de classification classique mais réellement utile. Les enjeux sont concrets — confondre une Amanita phalloides (Amanite phalloïde) avec un champignon comestible est fatal. Un modèle précis mais capable d’expliquer son raisonnement est préférable à un classifieur haute précision boîte noire dans ce domaine.

Cela a orienté le choix des modèles : SVM et Arbres de Décision plutôt que des réseaux de neurones, parce que l’interprétabilité compte quand le cas d’usage implique la sécurité alimentaire.

Dataset — Web Scraping

Plutôt que d’utiliser le dataset UCI Mushroom de Kaggle (généré synthétiquement), j’ai scrapé des bases de données mycologiques réelles pour construire un dataset spécifique au domaine :

# scraper/scrape_mushrooms.py
import requests
from bs4 import BeautifulSoup
import pandas as pd

BASE_URL = "https://www.mycodb.fr/fiche.php"

def scrape_species_page(species_url: str) -> dict | None:
    try:
        resp = requests.get(species_url, timeout=10,
                           headers={"User-Agent": "ShroomLearning Research Bot"})
        resp.raise_for_status()
        soup = BeautifulSoup(resp.text, "html.parser")

        features = {}
        feature_table = soup.find("table", class_="caracteristiques")
        if not feature_table:
            return None

        for row in feature_table.find_all("tr"):
            cells = row.find_all("td")
            if len(cells) == 2:
                features[cells[0].text.strip().lower()] = cells[1].text.strip()

        return features
    except Exception as e:
        print(f"Erreur scraping {species_url}: {e}")
        return None

Résultats des modèles

Pour un usage réel, l’Arbre de Décision est le choix préféré : légèrement moins précis, mais la règle de décision peut être expliquée à l’utilisateur (“Si absence de volve ET lamelles blanches ET odeur d’amande → probablement comestible”).

Interface Express.js

L’interface web permet de saisir les caractéristiques observées d’un champignon et retourne la prédiction avec le chemin de décision de l’arbre pour les modèles interprétables.

// routes/predict.js
router.post('/predict', async (req, res) => {
  const features = req.body

  // Appel au microservice Python ML
  const response = await fetch('http://ml-service:5000/predict', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify(features)
  })

  const { prediction, confidence, decision_path } = await response.json()

  res.json({
    edible: prediction === 'edible',
    confidence,
    reasoning: decision_path  // Chemin de décision pour l'arbre
  })
})

Apprentissages

Ce projet m’a appris l’importance du choix du bon modèle pour le bon problème. Dans des contextes à risque élevé, la précision maximale n’est pas toujours l’objectif principal — l’interprétabilité et la gestion des faux négatifs (classer toxique comme comestible) peuvent être tout aussi critiques.