{
  "fetched_at": "2026-10-20T07:47:57Z",
  "source_url": "https://www.kaggle.com/competitions/2022-ml-w4p1/data",
  "pages": [
    {
      "name": "data-description",
      "content": "데이터 셋은 다음의 항목으로 구성되어 있습니다.\n\n- N - 토양 내 질소 함량 비율\n- P - 토양 내 인산 함량 비율\n- K - 토양 내 칼륨 함량 비율\n- temperature - 섭씨 온도\n- humidity - 상대 습도(%)\n- ph - 토양의 ph 값\n- rainfall - 강우량 (mm)\n\ntrain.csv 로 학습 후, test.csv 데이터에 대한 예측을 sample.csv 형식으로 업로드해 주시길 바랍니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# 교과목 정보\n- 세종대학교 지능기전공학부 (최유경교수)\n\n\n# 재배환경 별 작물 종류 예측\n![crop](https://cdn.pixabay.com/photo/2016/05/31/06/16/barley-field-1426269_960_720.jpg)\n본 데이터셋은 환경에 따른 추천 작물 서비스를 위한 데이터셋입니다. \n\n# 과제 설명\n이상 기후, 온난화등의 문제로 기상 변화 문제로 농업의 생태계는 다양한 변화를 맞이하고 있습니다. 기후를 통제하여 안정적인 생산력을 유지하는 스마트팜과 더불어 변화하는 환경에 맞추어 적절한 작물을 찾는 시도도 필요하며, 본 과제를 통해 이러한 요구를 해결하고자 합니다. 데이터는 다음의 정보를 포함합니다.\n- N - 토양 내 질소 함량 비율\n- P - 토양 내 인산 함량 비율\n- K - 토양 내  칼륨 함량 비율\n- temperature - 섭씨 온도\n- humidity - 상대 습도(%)\n- ph - 토양의 ph 값\n- rainfall - 강우량 (mm)\n\n주어진 환경정보를 통해 환경에 적합한 작물을 예측해봅시다.\n\n# 코멘트\n- 과제 진행에 어려움이 있다면, 담당 조교와 상의하세요. ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "평가 데이터 550 개에 대하여 총 22개의 작물 중 하나로 분류합니다.\n\n분류 결과는 sample.csv 형식에 맞추어 제출하며, train.csv의 label과 같은 string 형식으로 다음의 22개의 레이블 중 하나로 분류합니다.\n\nmothbeans, lentil, pigeonpeas, cotton, coconut, mungbean, jute, chickpea, mango, apple, blackgram, muskmelon, papaya, coffee, orange, pomegranate, kidneybeans, rice, banana, watermelon, maize, grapes\n\n제출된 평가 데이터의 예측값은 Categorical Accuracy로 평가됩니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Baseline (필독)",
      "content": "- 현재 베이스라인은 KNN의 K를 3으로 설정하여 얻은 결과입니다.\n  - 반드시 KNN의 하이퍼파라미터를 변경하면서 파라미터 변화에 따른 성능을 분석해 보시기 바랍니다.\n- KNN의 경우 랜덤시드 설정유무로 성능의 변동은 없습니다만, 지금부터 랜덤시드 고정시키는 연습을 하고자 아래의 코드를 노트북에 복사붙여넣기 하여 사용해 주시기 바랍니다.\n \n\n> import random\nimport os\nseed = 42\nrandom.seed(seed)\nnp.random.seed(seed)\nos.environ[\"PYTHONHASHSEED\"] = str(seed)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}