Побудова моделі машинного навчання для прогнозування врожайності на основі даних про навколишнє середовище

У мене є набір даних, що містить дані про температуру, опади та врожайність сої для ферми протягом 10 років (2005 - 2014). Я б хотів передбачити врожайність за 2015 рік на основі цих даних.

Зверніть увагу, що в наборі даних є щоденні значення температури та опадів, але лише 1 значення на рік для врожаю, оскільки збирання врожаю відбувається в кінці вегетаційного періоду врожаю.

Я хочу побудувати регресію чи іншу модель на основі машинного навчання для прогнозування врожаю 2015 року на основі регресії / якоїсь іншої моделі, отриманої шляхом вивчення співвідношення урожайності та температури та опадів у попередні роки.

Мені знайоме виконання машинного навчання за допомогою scikit-learn. Однак не впевнений, як представити цю проблему. Тут складно, що температура та кількість опадів щодня, але врожайність становить лише 1 значення на рік.

Як я підходжу до цього?

Для початку можна прогнозувати врожайність на майбутній рік на основі щоденних даних за попередній рік. Ви можете оцінити параметри моделі, розглядаючи дані про вартість кожного року як одну "точку", а потім перевірити модель за допомогою перехресної перевірки. Ви можете продовжити цю модель, розглядаючи більше, ніж за минулий рік, але огляньтеся занадто далеко, і у вас виникнуть проблеми з підтвердженням моделі та нарядів.

Для прогнозування можна використовувати мережу байесівської віри. Її посилання на основне пояснення. Байєська мережа

У вас є 10 точок даних, причому кожна точка даних має розміри 365 (температура на кожен день) + 365 (кількість опадів на кожен день). В ідеалі я б спершу зменшив розміри методами машинного навчання, наприклад, PCA. Потім використовуйте методи машинного навчання для побудови моделі передбачення. Однак через невеликий набір даних я не думаю, що методи машинного навчання є відповідними вашій проблемі.