INTELIGÊNCIA COMPUTACIONAL PARA A CLASSIFICAÇÃO DE ADAPTABILIDADE E ESTABILIDADE EM GENÓTIPOS DE FEIJÃO COMUM

Resumo

As interações entre genótipos e ambientes (G×A) dificultam a recomendação de variedades de feijão-comum (Phaseolus vulgaris L.). O presente estudo teve como objetivo explorar o potencial do algoritmo de aprendizado de máquina Extreme Gradient Boosting (XGBoost) como ferramenta complementar na classificação da adaptabilidade e estabilidade desses genótipos em programas de melhoramento genético. A metodologia empregou o treinamento do XGBoost com dados simulados alinhados às classes de Eberhart e Russell (1966) e Finlay e Wilkinson (1963), seguido pela classificação de genótipos reais. Onze genótipos foram avaliados em 32 ambientes (combinação de local e ano), sob delineamento em blocos casualizado (DBC). O XGBoost apresentou taxas de concordância com o método de Eberhart e Russell (1966) de 100% e 81.82%, respectivamente, para as classificações de adaptabilidade e estabilidade. Paralelamente, o algoritmo obteve acurácia de 89.3%. Esses resultados demonstram a capacidade do modelo de aprendizado de máquina em classificar genótipos de acordo com padrões estabelecidos, oferecendo maior flexibilidade analítica. Contudo, é fundamental considerar que a aplicabilidade prática e o desempenho do modelo estão diretamente associados à qualidade e representatividade dos dados de treinamento. Em suma, o XGBoost se apresenta como uma ferramenta promissora para otimizar as análises de adaptabilidade e estabilidade, aumentar a eficiência do melhoramento e a precisão na seleção de cultivares.