Детальная информация

Данная работа посвящена сравнению и применению моделей машинного обучения для прогнозирования урожайности сельскохозяйственных культур. Задачи, которые решались в ходе исследования: 1) Анализ современного состояния сельского хозяйства и ключевых факторов, влияющих на урожайность. 2) Обзор и сравнение методов машинного обучения (линейная регрессия, деревья решений, случайный лес, градиентный бустинг, нейронные сети) для задачи прогнозирования. 3) Предобработка и анализ исходных данных, включая обработку пропусков, нормализацию и визуализацию зависимостей. 4) Реализация программного решения для обучения моделей и прогнозирования урожайности. 5) Оценка эффективности моделей по метрикам RMSE, MAE и R² и выбор оптимальной модели. 6) Для достижения данных результатов в работе были использованы следующие информационные технологии: язык программирования Python с библиотеками, Google Colab, Kaggle.

The given work is devoted to comparing and applying machine learning models for predicting crop yields. The research set the following goals: 1) Analyzing the current state of agriculture and key factors affecting crop yields. 2) Review and comparison of machine learning methods (linear regression, decision trees, random forest, gradient bousting, neural networks) for the forecasting problem. 3) Pre-processing and analysis of the raw data, including omission handling, normalization and dependency visualization. 4) Implementation of a software solution for model training and yield prediction. 5) Evaluating the performance of the models by RMSE, MAE and R² metrics and selecting the optimal model. 6) To achieve these results, the following information technologies were used in the work: Python programming language with libraries, Google Colab, Kaggle.