目錄

? 項目背景

📦 所用工具

📁 數據字段（模擬）

🧑?💻 代碼實現步驟

🎯 解讀與啟發

🧠 項目拓展建議

---

? 項目背景

我們使用一個簡化的玉米產量數據集（可模擬實際數據），訓練一個機器學習模型預測玉米產量，并使用 SHAP 值解釋模型的關鍵影響因素。

📦 所用工具

• Python

• pandas、scikit-learn

• xgboost

• shap

📁 數據字段（模擬）

字段	含義
rainfall	降雨量（mm）
temperature	溫度（℃）
soil_nitrogen	土壤氮含量
fertilizer	施肥量
yield	玉米產量（目標變量）

---

🧑?💻 代碼實現步驟

# 第一步：導入庫
import pandas as pd
import numpy as np
import shap
import xgboost as xgb
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt# 第二步：構造或加載數據
data = pd.DataFrame({'rainfall': np.random.uniform(100, 300, 200),'temperature': np.random.uniform(15, 30, 200),'soil_nitrogen': np.random.uniform(0.5, 2.0, 200),'fertilizer': np.random.uniform(50, 150, 200),
})
# 模擬目標變量
data['yield'] = (0.05 * data['rainfall'] +0.1 * data['temperature'] +0.2 * data['soil_nitrogen'] +0.03 * data['fertilizer'] +np.random.normal(0, 2, 200)
)# 第三步：劃分訓練集與測試集
X = data.drop('yield', axis=1)
y = data['yield']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 第四步：訓練模型
model = xgb.XGBRegressor()
model.fit(X_train, y_train)# 第五步：SHAP 值解釋
explainer = shap.Explainer(model)
shap_values = explainer(X_test)# 第六步：可視化解釋
shap.plots.beeswarm(shap_values)

---

🎯 解讀與啟發

• 使用 SHAP 分析后，發現“soil_nitrogen”與“rainfall”對模型預測影響最大，說明氮含量和降雨量是玉米產量的關鍵變量。

• 利用這類可解釋性分析，有助于科學家與農業管理者構建可信的AI模型，避免“黑箱模型”帶來的誤解與風險。

---

🧠 項目拓展建議

1. 加入 LIME 對比分析；

2. 更換模型為隨機森林、LightGBM 等；

3. 用真實遙感+氣象數據集訓練，提高實用性。

---