我正在研究一个预测器，用于了解最有可能的葡萄收获期，具体取决于天气和葡萄的特性，即糖度、pH 值、酸度。我有两个数据集，我正在考虑如何将它们合并在一起:一个是2003-2013年期间一些意大利葡萄园的采前分析数据，另一个是那十年的天气。我想做的是从我的样本中了解何时收获，给出最佳糖度、pH 值和酸度的范围，并给出天气预报。 我认为某些强化学习方法可以发挥作用。由于采前分析在葡萄成熟期间进行了大约5次，我认为这些可能是我进入的状态，而天气条件可能是从一个状态到另一个状态的“概率”。 然而我不确定哪种算法是最好的，因为每个状态和每个“概率”都取决于几个变量。有人告诉我隐马尔可夫模型可以工作，但在我看来，我的问题并不完全适合该模型。 您有什么建议吗？提前谢谢
最佳答案
这与实际算法无关，但您将在这里遇到的问题是天气非常本地化。不管你信不信，一个葡萄园的天气可能与距它仅一英里的另一个葡萄园完全不同。如果你在每个葡萄园都安装雨量计，你就会发现这一点。为了获得真正好的结果，您需要在每个葡萄园都有一个迷你气象站。如果没有这一点，您最好的选择是仅使用天气测量附近的葡萄园。例如，如果您的数据来自机场，则仅使用机场旁边的葡萄园。
当你可以控制 Action 时，强化学习是合适的。就像猴子按按钮一样。你按下一个按钮就会感到震惊，所以你不会再按下那个按钮。这里你有一个被动的数据集，无法进行实验 Action ，因此强化学习不适用。
这里有一组复杂的不受控制的输入、天气数据、受控输入(收获时间)和几个输出参数、糖等。根据这些数据，您想要预测 future 使用的收获时间，未知的天气模式。
一般来说，你正在做的是 sensitivity analysis :试图找出你的因素如何影响所发生的结果。棘手的部分是，结果可能是由某种不明显的模式驱动的。例如，可能出现 3 周的干旱，然后是 2 周的大雨，这意味着最好的收成将是 65 天后，或类似的情况。
因此，您要做的就是对数据进行特征化，以可能的方式表征它，然后进行敏感性分析。如果分析具有很强的相关性，那么您就找到了解决方案。如果没有，那么您必须找到一种不同的方法来表征数据。例如，您的特征可能是降雨量超过 2 英寸的天数，或者可能是无雨的最多天数，或者可能是晴朗阳光的总天数。可能多个功能可以组合起来形成一个解决方案。这些选项仅受您的想象力的限制。
当然，正如我上面所说，美中不足的是，您的天气数据只能粗略地近似特定葡萄园的真实天气，因此数据中会有噪声，可能与从而无法获得好的结果。
为什么你实际上不太关心天气
回到数据上来，拥有不可靠的天气信息实际上并不是问题，因为你实际上并不太关心天气。原因有两个。首先，你要回答的问题不是何时收获葡萄，而是是否等待收获。酿酒师总是可以测量葡萄当前的糖分。因此，他只需决定，“我应该现在收获含糖量 X% 的葡萄，还是应该等待，稍后可能会获得更好的含糖量 Z%？要回答这个问题，您需要的真正数据不是天气，而是随着时间的推移获取的一系列糖/酸度读数。您想要预测的是，在给定的情况下，葡萄是否会变得更好或是否会变得更糟。
其次，葡萄藤有它们喜欢的最佳水分含量。如果藤蔓太干，那就不好了，如果太湿了，那就不好了。你无法根据天气预测葡萄藤的湿润程度。有些土壤能很好地保持水分，有些则为沙质土壤。沙质葡萄园比粘土葡萄园需要更多的降雨才能达到相同的湿度水平。此外， Wine 商可以给他的葡萄园浇水，从而完全消除降雨模式。因此，天气几乎不是一个因素。
关于algorithm - 什么机器学习算法合适？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/30732223/