← 回投影片
Dataset · 教學資料集
五種機器學習分類法 · 資料集
搭配「以茶葉多重元素判別產地（LDA／Ridge／RF／Boosting／SVM）」投影片。下載即可在電腦上實跑、重現投影片裡的數字。
① 檔案清單（點即下載）
五種模型一起跑：標準化 ＋ 留一法（LOO-CV），輸出每個模型的 accuracy／precision／recall。投影片數字的來源，可重現。
⬇ 下載 .py
20 個茶樣 × 21 個元素 ＋ 二分標籤（Taiwan／Non-Taiwan）。教學重建資料（見下方說明）。
⬇ 下載 .csv
② 怎麼跑（初學者也 OK）
先裝好 Python（建議 3.12）與套件，再執行 demo。第一次用 Python？可參考
SpectraView 的「零基礎安裝」步驟（用 winget 裝 git 與 Python 3.12）。
# 1) 安裝套件（只需一次）
pip install scikit-learn pandas numpy
# 2) 進到 dataset 資料夾後執行
python tea_five_models_demo.py
終端機會印出五個模型的正確率／精確率／召回率，並更新 five_models_scores.json。
③ 實跑結果（留一法 LOO-CV · 微量元素 T13）
| 模型 | accuracy | precision | recall |
|---|
| LDA | 95.0% | 96.2% | 93.8% |
| Ridge | 100.0% | 100.0% | 100.0% |
| Random Forest | 95.0% | 96.2% | 93.8% |
| Boosting | 85.0% | 90.0% | 81.2% |
| SVM | 100.0% | 100.0% | 100.0% |
反直覺教學點：小資料（n=20）上最「高級」的 Boosting 反而最低，樸素的 Ridge／SVM 滿分——集成樹易過擬合、線性模型反而最穩。
⚠️ 資料性質（請對學生講清楚）：tea_origin_teaching.csv 為
教學重建資料——依蔡承祥等（2021）《以元素特徵區別台灣茶葉與國外茶葉之初步研究，台灣農業研究 70(4):231–242》各國平均值與分布以亂數模擬（固定種子、可重現），非原始逐筆量測值，僅供教學實跑、不可當真實數據引用。真實可下載的同構替代資料（紅茶開放資料、蜂蜜 ICP-OES CC0）見 README。