
![image](/images/2024/3/01.png)

- โมเดลแนะนำว่าควรปลูกพืชอะไร โดยเน้นพืชเศรษฐกิจของไทย
- สร้าง dataset จาก public data ของได้ ได้แก่ ข้อมูล soil series data จาก กรมพัฒนาที่ดิน ข้อมูลรายละเอียดของดิน จาก สำนักสำรวจดินและวิจัยทรัพยากรดิน และข้อมูลจากระบบการติดตามสถานการณ์เพาะปลูกพืชเศรษฐกิจในประเทศไทยจากข้อมูลดาวเทียม จาก GISTDA และนำมาสร้าง tabular data ด้วยการทำ grid และแบ่ง train valid test โดยใช้ spatial train valid test split
- วัดผลโดยใช้ top-k accuracy matric
- XGBoost, Catboost, และ KNN ทำออกมาได้ดีพอ ๆ กัน โดยได้ top-k accuracy score (k=1) อยู่ที่ 80.6%, 83.2%, และ 89.4%
- เมื่อเทียบกับ Most Frequent Classตามผลเฉลยที่เป็นไปได้มากที่สุด top-k accuracy score (k=1) อยู่ที่ 58.7%

### แรงจูงในในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 10 สัปดาห์ที่แล้ว)

> ผมเห็นเพื่อนปีที่แล้วได้เข้าโครงการ ai builder แล้วบอกต่อมาว่าโครงการนี้ดีมาก ๆ สำหรับมาฝึกทำ ai ได้ทำ project ai จริง ๆ แล้วมีอาจารย์ที่ปรึกษาตัวตึงอีกหลาย ๆ ท่านค่อยให้คำปรึกษา ประกอบกับผมเองสนใจและอยากเรียนรู้เกี่ยวกับ ai มากยิ่งขึ้น ซึ่งผมคิดว่าค่าย ai builder จะช่วยสานฝันให้โปรเจค ai ที่ผมอยากทำทำได้จริง ๆ ครับ อีกทั้งช่วงที่ทางโครงการจัดยังเป็นช่วงปิดเทอมซึ่งเป็นช่วงเวลาที่ว่าง และอยากลงทุนกับการศึกษาเกี่ยวกับ ai เพิ่มเติมครับ
    

Crop Recommendation System for Thai Economic Plants

โดย ณัฐวีณ์ สุนิตย์สกุล( ตัง) • ดรุณสิกขาลัย (โครงการ kosen kmutt) / กรุงเทพมหานคร