試玩連結：http://140.120.203.202/aimia/G1-cell_phone.php

模型摘要

這個模型是一個基於XGBoost的機器學習分類器，專門用來預測一期稻作物的水分狀態。模型通過使用200棵增強樹，利用多光譜數據中不同波段的光譜特徵（例如均值、最大值、最小值、標準差和方差）來進行學習，進而為作物水分管理提供早期預警。

模型執行方式 (Detailed Execution Instructions)

1. 安裝必要的環境

在執行模型之前，您需要準備好 Python 環境，並安裝所需的依賴庫：

```bash

建立虛擬環境 (可選)

python -m venv myenv source myenv/bin/activate # 對於 Windows 使用 myenv\Scripts\activate

安裝必要套件

pip install xgboost numpy pandas scikit-learn import pandas as pd

載入數據集

data = pd.read_csv('path_to_your_data.csv')

顯示數據集的前五行

print(data.head()) from sklearn.model_selection import train_test_split

定義特徵和標籤

X = data.drop(columns=['label']) # 'label' 為目標變量名稱 y = data['label']

將數據分為訓練集和測試集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) import xgboost as xgb

創建 XGBoost 分類器

model = xgb.XGBClassifier(n_estimators=200, use_label_encoder=False, eval_metric='mlogloss')

訓練模型

model.fit(X_train, y_train)

模型訓練完成後的輸出

print("模型訓練完成") from sklearn.metrics import accuracy_score

預測測試集

y_pred = model.predict(X_test)

計算準確率

accuracy = accuracy_score(y_test, y_pred) print(f"模型準確率: {accuracy * 100:.2f}%")

保存模型

model.save_model('xgboost_model.json')

載入模型

loaded_model = xgb.XGBClassifier() loaded_model.load_model('xgboost_model.json')

print("模型已成功載入")

假設有一個新的數據點

new_data = pd.DataFrame({ '390_mean': [12.3], '410_mean': [15.1], '450_mean': [17.6], # 添加其他特徵... })

使用模型進行預測

prediction = loaded_model.predict(new_data) print(f"預測結果: {prediction[0]}") import matplotlib.pyplot as plt

繪製特徵重要性

xgb.plot_importance(model) plt.show()