根据天气和葡萄的特性，即糖水平，Ph值，酸度，我正在研究葡萄收获最可能的时期。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收获前分析数据，另一个是该十年的天气。我想做的是从我的样品到收获时学习，给出最佳糖含量，Ph和酸度的范围，并给出天气预报。 我认为一些强化学习方法可行。由于收获前的分析在葡萄成熟期间进行了大约5次，我认为那些可能是我介入的状态，而天气条件可能是＆＃34;概率＆＃34;从一个州到另一个州。 然而，我不确定哪种算法最适合每个州和每个＆＃34;概率＆＃34;取决于几个变量。我被告知隐藏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模型。 你有什么建议吗？ Thx提前
答案 0 :(得分：3)
这与实际算法无关，但是你要遇到的问题是天气非常局部。相信或不相信，一个葡萄园的天气可能与另一个葡萄园完全不同。如果你在每个葡萄园放置雨量计，你会发现它。为了获得非常好的结果，您需要在每个葡萄园都有一个迷你气象站。如果没有这个，您最好的选择是在天气测量的附近仅使用葡萄园。例如，如果您的数据来自机场，则只能使用机场旁边的葡萄园。
当您可以控制操作时，强化学习是合适的。它就像一只猴子按下按钮。你按下一个按钮然后感到震惊，所以你不要再按下那个按钮了。在这里，您有一个被动数据集，无法进行实验操作，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），以及几个输出参数，糖等。鉴于这些数据，您想要预测未来的收获时间，未知的天气模式。
一般来说，你正在做的是sensitivity analysis：试图弄清楚你的因素如何影响发生的结果。棘手的部分是结果可能是由一些非显而易见的模式驱动的。例如，可能是3周的干旱，然后是2周的大雨意味着最好的收获将是65天，或类似的东西。
因此，您需要做的是对数据进行特征化以便以可能的方式对其进行表征，然后进行灵敏度分析。如果分析具有很强的相关性，那么您已经找到了解决方案。如果没有，那么你必须找到一种不同的方法来强化数据。例如，您的特征化可能是下雨超过2英寸的天数，或者可能是没有下雨的大部分天数，或者可能是明亮日照的总天数。可能会有多个功能组合在一起构成解决方案。选项仅受您的想象力限制。
当然，正如我上面所说，美中不足的是，你的天气数据只会粗略估计特定葡萄园的实际和实际天气，因此数据中会有噪音，可能会产生如此大的噪音。无法获得好成绩。
为什么你真的不太关心天气
回到数据，有不可靠的天气信息实际上不是问题，因为你实际上并不太关心天气。原因是双重的。首先，你要回答的问题不是什么时候收获葡萄，而是是否等待收获。葡萄酒商可以随时测量葡萄的当前糖含量。因此，他只需要决定，＆＃34;我现在应该用糖X％收获葡萄，还是我应该等待，并且可能后来获得更好的糖Z％？要回答这个问题，你需要的真实数据不是天气，它是随着时间的推移获得的一系列糖/酸度读数。您想要预测的是，在某种情况下，葡萄会变得更好还是变得更糟。
其次，葡萄藤具有最佳的水分含量。如果葡萄藤变得太干，那就太糟糕了，如果它变得太湿而不是很糟糕。你无法预测藤蔓对天气的湿度。有些土壤保持水分，其他土壤则是沙质。沙质葡萄园需要比粘土葡萄园更多的雨水才能达到相同的水分含量。此外，葡萄酒商可以浇灌他的葡萄园，完全使降雨模式无效。因此，天气几乎不是一个因素。
答案 1 :(得分：0)
我同意Tyler的观点，从可行的角度来看，天气可能会损害您的分析。但是，我认为这是供您测试和发现的！ - 可能会有一些有趣的数据。
我不确定你的测试究竟是什么，但一个简单的启动方法可能是使用svm（甚至逻辑回归，因为你想要概率）将其变成分类问题，并使用所有数据作为算法的输入 - 假设你知道哪些年是好收成年。您甚至可以单独测试每个变量，看看它如何影响您的性能。我建议你这样做，只要因为网上有大量的资源和SO上的人可以帮助你调整你的算法。
如果您对此有所了解，我会按照您之前的建议，尝试使用HMM-因为它会告诉您哪一天可能是收获的最佳日子。这是天气可能受到伤害的地方，但您将从更简单的实验中了解更多有关您的数据的信息。
我对机器学习的想法是，虽然有关于何时选择哪种算法的指导原则并不总是一成不变，你可以稍微改变一下你的问题并尝试一种新方法解决问题，具体取决于你必须自由地使用数据。祝你好运，玩得开心！