06 / 06
Sains data
Climate × Agriculture
Studi dua notebook yang mengelompokkan 10.002 catatan iklim-pertanian, lalu memprediksi hasil panen dengan Random Forest dan Gradient Boosting.
- Peran
- Solo, analisis dan visualisasi
- Tahun
- 2025
- Stack
- Python · Pandas · scikit-learn · Matplotlib · Seaborn · Jupyter
- Waktu baca
- Catatan proyek
- Tim
- Proyek solo
01 · Ringkasan
Apa ini
Studi dua notebook yang mengelompokkan 10.002 catatan iklim-pertanian, lalu memprediksi hasil panen dengan Random Forest dan Gradient Boosting.
Tahap unsupervised lebih dulu: skalakan fitur, reduksi dimensi, tuning K-Means, dan baca klaster. Klaster itu menjadi label untuk tahap supervised yang membandingkan Random Forest dengan model Gradient Boosting yang sudah dituning pada accuracy, precision, recall, dan F1.
02 · Sorotan
Sorotan
- 01
Clustering K-Means dengan feature engineering yang diarahkan pada silhouette score.
- 02
Random Forest dibandingkan dengan Gradient Boosting yang dituning, diukur pada empat metrik.
- 03
Dataset: 10.002 baris × 15 kolom dari Kaggle, diproses dengan pipeline berskrip.
- 04
Dipin di profil GitHub.
03 · Stack
Stack
- Python
- Pandas
- scikit-learn
- Matplotlib
- Seaborn
- Jupyter
Sumber
- climate-agriculture-ml-analysis - README repositoriBuka (terbuka di tab baru)
- Eksperimen_SML_Zidan-Mubarak - repositori preprocessing dan CIBuka (terbuka di tab baru)
- Profil GitHub - github.com/zidanmubarakBuka (terbuka di tab baru)