作物の収量予測 scikit-learn

作物の収量予測

scikit-learnを使って、作物の収量予測を行ってみます。

作物の栽培に関するいくつかの特徴量（例：土壌のpH値、日照時間、降水量）と作物の収量の関係を持つサンプルデータセットを作成し、予測を行います。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# サンプルデータの作成
np.random.seed(0)
n_samples = 100
X = np.random.rand(n_samples, 3)  # 特徴量：土壌のpH値、日照時間、降水量
y = 50 + 30 * X[:, 0] + 20 * X[:, 1] + 10 * X[:, 2] + 10 * np.random.randn(n_samples)  # 収量

# 線形回帰モデルの学習と予測
model = LinearRegression()
model.fit(X, y)
y_pred = model.predict(X)

# 結果の可視化
plt.figure(figsize=(10, 6))
plt.scatter(X[:, 0], y, color='b', label='Actual')
plt.scatter(X[:, 0], y_pred, color='r', label='Predicted')
plt.xlabel('soil pH value')
plt.ylabel('crop yield')
plt.title('Crop yield prediction')
plt.legend()
plt.show()

この例では、土壌のpH値が作物の収量に与える影響を考慮しています。

他の特徴量（日照時間、降水量）も同様に考慮できます。

グラフでは、実際の収量（青色の点）と予測された収量（赤色の点）が表示されます。

線形回帰モデルがデータに最適化され、実際の収量に近い予測を行うことが期待されます。

[実行結果]

ソースコード解説

このソースコードは、作物の収量予測を行うためにscikit-learnとmatplotlibを使用しています。

以下にソースコードの詳細を説明します。

1. ライブラリのインポート:
  • numpyは数値計算を行うためのライブラリです。
  • matplotlib.pyplotはデータの可視化を行うためのライブラリです。
  • sklearn.linear_modelモジュールからLinearRegressionクラスをインポートしています。
2. サンプルデータの作成:
  • np.random.seed(0)は乱数のシードを設定しています。
    これにより、再現可能な結果が得られます。
  • n_samples = 100はサンプルの数を指定しています。
  • X = np.random.rand(n_samples, 3)は、3つの特徴量（土壌のpH値、日照時間、降水量）を持つサンプルデータを作成しています。
  • y = 50 + 30 * X[:, 0] + 20 * X[:, 1] + 10 * X[:, 2] + 10 * np.random.randn(n_samples)は、作物の収量を計算しています。特徴量と係数の線形結合に、ノイズとして正規分布からサンプリングした乱数を加えています。
3. 線形回帰モデルの学習と予測:
  • model = LinearRegression()はLinearRegressionクラスのインスタンスを作成しています。
  • model.fit(X, y)は作成したモデルにデータをフィットさせて学習を行います。
  • y_pred = model.predict(X)は学習済みモデルを使用して入力データ X の収量を予測します。
4. 結果の可視化:
  • plt.figure(figsize=(10, 6))はグラフの図のサイズを指定しています。
  • plt.scatter(X[:, 0], y, color='b', label='Actual')は実際の収量を散布図で表示しています。
    X軸は土壌のpH値、Y軸は作物の収量です。
  • plt.scatter(X[:, 0], y_pred, color='r', label='Predicted')は予測された収量を散布図で表示しています。
  • plt.xlabel('soil pH value')はX軸のラベルを設定しています。
  • plt.ylabel('crop yield')はY軸のラベルを設定しています。
  • plt.title('Crop yield prediction')はグラフのタイトルを設定しています。
  • plt.legend()は凡例を表示します。
  • plt.show()はグラフを表示します。

このコードは、線形回帰モデルを使用して特徴量と作物の収量の関係を学習し、予測結果を可視化する例です。

特徴量には土壌のpH値だけでなく、他の特徴量も含めることができます。