葫芦岛市网站建设,做网站后期维护,做公众号app，网站，app,天河做网站服务1.摘要 近年来#xff0c;机器学习方法在农业领域的应用取得巨大成功#xff0c;广泛应用于科 学施肥、产量预测和经济效益预估等领域。根据土壤信息进行数据挖掘#xff0c;并在此基础上提出区域性作物的种植建议#xff0c;不仅可以促进农作物生长从而带来经济效益#…1.摘要 近年来机器学习方法在农业领域的应用取得巨大成功广泛应用于科 学施肥、产量预测和经济效益预估等领域。根据土壤信息进行数据挖掘并在此基础上提出区域性作物的种植建议不仅可以促进农作物生长从而带来经济效益还可以改善土壤肥力促进可持续发展。本文根据土土 壤养分元素[如氮N、磷P、钾K等]的含量建立模型分析并且给出精准预测,可以实现了几种机器学习分类算法形成科学的种植方案,最终还实现了应用界面的实现。
2.数据介绍 该数据共有2200条土壤数据其中每条数据包括土壤中液态氮、速效磷、速效钾、温度、湿度、ph、降雨和作物种类。作物种类包含中国中部以及东部常见耕地作物 8 种小麦、水稻、玉米、糜子、黄豆等8种。数据显示如下 数据读取代码实现如下
features df[[N, P,K,temperature, humidity, ph, rainfall]]
target df[label]
labels df[label]
3.模型实现
决策树模型:
DecisionTree DecisionTreeClassifier(criterionentropy,random_state2,max_depth5)
DecisionTree.fit(Xtrain,Ytrain)
predicted_values DecisionTree.predict(Xtest)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(Decision Tree)
print(DecisionTreess Accuracy is: , x*100) 测试结果输出的混淆矩阵如下 朴素贝叶斯模型
from sklearn.naive_bayes import GaussianNB
NaiveBayes GaussianNB()
NaiveBayes.fit(Xtrain,Ytrain)
predicted_values NaiveBayes.predict(Xtest)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(Naive Bayes)
print(Naive Bayess Accuracy is: , x)
print(classification_report(Ytest,predicted_values)) 支持向量机模型
from sklearn.svm import SVC
from sklearn.preprocessing import MinMaxScaler
norm MinMaxScaler().fit(Xtrain)
X_train_norm norm.transform(Xtrain)
X_test_norm norm.transform(Xtest)
SVM SVC(kernelpoly, degree3, C1)
SVM.fit(X_train_norm,Ytrain)
predicted_values SVM.predict(X_test_norm)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(SVM)
print(SVMs Accuracy is: , x)
逻辑回归模型
from sklearn.linear_model import LogisticRegression
LogReg LogisticRegression(random_state2)
LogReg.fit(Xtrain,Ytrain)
predicted_values LogReg.predict(Xtest)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(Logistic Regression)
print(Logistic Regressions Accuracy is: , x)
print(classification_report(Ytest,predicted_values))
随机森林模型
from sklearn.ensemble import RandomForestClassifier
RF RandomForestClassifier(n_estimators20, random_state0)
RF.fit(Xtrain,Ytrain)
predicted_values RF.predict(Xtest)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(RF)
print(RFs Accuracy is: , x)
print(classification_report(Ytest,predicted_values))
XGBoost模型
import xgboost as xgb
XB xgb.XGBClassifier()
XB.fit(Xtrain,Ytrain)
predicted_values XB.predict(Xtest)
x metrics.accuracy_score(Ytest, predicted_values)
acc.append(x)
model.append(XGBoost)
print(XGBoosts Accuracy is: , x)
print(classification_report(Ytest,predicted_values)) 上述机器学习的代码类似以上述XGBoost模型为例我们对代码逻辑进行了解释 首先代码导入了名为xgboost的Python模块并将其简写为xgb。然后通过实例化xgb.XGBClassifier()创建了一个XGBoost分类器对象并将其分配给变量XB。 接下来使用XB.fit()方法对训练数据Xtrain和Ytrain进行拟合即训练。 然后使用XB.predict()方法对测试数据Xtest进行预测并将预测结果存储在变量predicted_values中。 最后使用sklearn.metrics模块中的metrics.accuracy_score()函数计算了模型在测试集上的准确度其中Ytest是真实标签predicted_values是模型预测的标签结果存储在变量x中。 综上所述这段代码的作用是使用XGBoost分类器对给定的训练集和测试集进行拟合和预测并计算模型在测试集上的准确度。 为了方便比较我们绘制出了上述几种机器学习模型进行农作物预测的准确率对比图 4.应用实现 Flask是一个基于Python编写的Web框架它可以用来开发Web应用程序。同时由于Python拥有强大的机器学习和数据处理库因此Flask框架也可以用来开发基于机器学习算法的Web应用程序。实现界面如下 5.总结 本文主要实现了简单的机器学习模型下一步对土壤数据进行增强获得更为均衡的土壤数据作为模型的输入改进多分类的激活函数使二分类推荐模型能应用于土壤作物推荐领域。
代码下载链接
https://download.csdn.net/download/weixin_40651515/87542173
