Применение методов машинного обучения для прогнозирования в сельскохозяйственном секторе экономики

Аннотация

В статье исследуются вопросы применения методов машинного обучения для создания моделей для использования их применительно к сельскому хозяйству. Изучение вопросов адаптации передовых математических методов для сельскохозяйственного сектора экономики позволяет строить действенные модели управления показателями и прогнозированием их дальнейшего развития. Основная цель данной статьи заключается в анализе применения современных математических методов (линейная регрессия, градиентный бустинг, случайный лес, нейронные сети (Deep Learning), метод опорных векторов (SVR), машины опорных отсеков (One-Class SVM), K-ближайших соседей (KNN), алгоритм кластеризации K-средних (K-Means), метод главных компонент (PCA)) в сельскохозяйственном секторе с целью оптимизации производства, повышения эффективности агробизнеса и прогнозирования параметров. На основе анализа ключевых методов машинного обучения были получены выводы касательно их применимости в сельском хозяйстве. Отдельный акцент в исследовании сделан на разработке и улучшении модели прогнозирования урожайности в сельском хозяйстве с использованием методов машинного обучения. Для практической апробации выбрана базовая модель, основанная на Random Forest Regressor, позволяющая предсказывать урожайность, учитывая различные факторы, такие как погодные условия, уровень удобрений, тип почвы и другие значимые аспекты. В рамках исследования представлен алгоритм для проведения расчетов с использованием Python, позволяющий проводить обучение модели, визуализацию влияния параметров и статистический анализ. В процессе апробации была проведена оптимизация модели с использованием GridSearchCV, направленная на подбор оптимальных гиперпараметров. В рамках анализа выявлено, что возможно улучшить модель, однако с низкой статистической значимостью. Полученные результаты исследования показывают, что имеется возможность эффективно применять машинное обучение для повышения производительности прогнозирования ключевых параметров в сельском хозяйстве.