remote-sensing/land_classification_results.md

Tổng Hợp Kết Quả Huấn Luyện 8 Mô Hình Phân Loại Lớp Phủ (Land Classification)

Dưới đây là bảng tổng hợp kết quả độ chính xác (Accuracy) của 8 thuật toán trên tập dữ liệu đã cache. Quá trình huấn luyện đã kết hợp sử dụng GPU cho một số mô hình Deep Learning/Boosting và CPU cho các thuật toán truyền thống.

Mô hình	Môi trường	Độ chính xác (Accuracy)	Ghi chú
XGBoost	GPU	23.01%	Mô hình đạt kết quả cao nhất, tối ưu tốt nhờ use_gpu=True
Decision Tree	CPU	22.12%	Mô hình dạng cây đơn giản nhưng cho kết quả tốt
Random Forest	CPU	21.68%	Ổn định, không hỗ trợ GPU trong code mặc định
SVM	CPU	19.91%	Yêu cầu chuẩn hóa dữ liệu tốt
CNN	GPU	19.47%	Khởi chạy thành công trên PyTorch
LightGBM	CPU	15.49%	Chuyển sang CPU do lỗi tương thích OpenCL trên máy ảo WSL
Swin-UNet	GPU	15.49%	Mô hình cấu trúc Transformer, cần nhiều dữ liệu hơn để tỏa sáng
MobileNet-LRASPP	GPU	6.19%	Kiến trúc tối ưu cho di động, chưa phù hợp với tập dữ liệu nhỏ này

Kết luận

• Toàn bộ 8 mô hình hiện đã được trích xuất dưới định dạng .joblib và được lưu tại thư mục land_classification_model/.
• Hệ thống Web (Prediction API) có thể trực tiếp gọi đến các mô hình này mà không cần thiết lập thêm.
• Khuyến nghị: Nên thiết lập XGBoost (estimators:200, depth:6) làm mô hình mặc định trên giao diện vì có độ chính xác thực tế cao nhất hiện tại.