灌溉中的机器学习方法

Question

我是机器学习的新手。我正在研究机器学习灌溉问题的项目。我需要研究特定作物（例如水稻作物）。我必须应用机器学习方法根据气候参数告诉农民是否需要播种（比如农民是否应该给田地浇水）。

水稻需要以下参数气候条件： - 平均而言，每月需要大约 180–300 毫米的水来生产相当好的水稻作物。 - 最佳温度20-35摄氏度

我的数据集链接： https://github.com/TanvirMahmudEmon/Rainfall-Prediction/blob/master/data/final-dataset.csv

以下是我的疑惑：

1）它属于监督问题还是无监督问题（我认为它属于分类监督问题）？

2) 我如何标记数据集以进行训练。 （我认为通过比较标准水稻气候值的温度场和降雨量在 python 中做 if-else 并相应地标记是或否）？

3) 如果我按照步骤 (2) 中提到的方法进行标记。我该如何处理整个数据集？

4) 我应该尝试哪种 ML 算法来获得更高的准确性？

Answer 1

1. 是的，这是一个有监督的问题，因为您有一个标签，表明是否根据参数给它们浇水；分类问题，因为您有两个类别：是否浇水。因此，您在这里尝试根据所考虑的参数将场景分类为水或不水。

2,3。您可以先使用 pandas 导入整个数据集，然后通过解析字段并将它们添加到标签字段来标记它们。

4. 如果您打算根据传感器输入来决定它与时间无关，并且由于季节性降雨模式可能会有所不同，我建议您坚持使用传感器数据；在这种情况下，您不必进行时间序列。由于您只有两个类，我们需要一个二元分类器； SVM 可能就足够了。

Answer 2

1. 这是一个有监督的学习问题，您的标签将是 1 或 0，其中 1 表示“给田地浇水”，0 表示“不给田地浇水”。

2. 你可以像这样使用列表推导：

   y = [1 if rainfall in range(180,300) and temp in range(25,30) else 0 for row in data]
   

   然后将 y 转换为 numpy 数组以便于计算。

3. 前面的答案也可能让您对问题 2 有所了解。

4. 我建议使用决策树或逻辑回归。结果可能会更好，但只有在测试它们时您才会知道。推荐这两种算法的原因是它会比 SVM 快一点。