Погода · данные · машинное обучение
Weather AI проходит весь путь от погодной истории до прогноза: готовит признаки, обучает шесть моделей и выбирает самую точную.
9 656 дней
в рабочей выборке
Следующий день в данных
прогноз средней температуры
моделей
в сравнении
Пайплайн
готов
Один последовательный процесс
Каждый прогноз можно разобрать по шагам. Данные не перемешиваются, будущие значения не попадают в обучение, а модели сравниваются на одинаковой test-части.
CSV с температурой, ветром, осадками и давлением превращается в рабочую временную выборку.
Прошлые температуры, rolling-средние, ветер и сезонные sin/cos дают модели контекст.
Baseline, линейные формулы и градиентный спуск проходят обучение на первых 80% истории.
Побеждает модель с минимальной test MAE. Она получает последний день и прогнозирует следующий.
Радар признаков
Нажимайте на сигналы радара. Каждый из них получает свой вес, а вместе они формируют прогноз средней температуры.
Главная отправная точка: какой была средняя температура в последний известный день.
Честное сравнение
Чем ниже MAE, тем ближе прогноз к реальной температуре. Переключайте выборку и нажимайте на модели, чтобы увидеть детали.
Последний сохранённый результат
Это прогноз от последней строки рабочего CSV, а не от сегодняшней календарной даты. Когда датасет обновится, пайплайн рассчитает новый день.
Под капотом
Модели написаны своими функциями на Python — от baseline до градиентного спуска. Поэтому каждый вес, ошибка и шаг обучения остаются понятными и управляемыми.
Без утечки будущегоХронологическое разделение train/test.
Собственное обучениеЛинейные модели и градиенты без готового ML-фреймворка.
Проверяемый результатВсе модели сравниваются по одной метрике на новых данных.
Сейчас сайт показывает последний проверенный результат проекта. Следующий этап — подключить Python-пайплайн как backend и обновлять прогноз из интерфейса.