机器学习模型依赖于一个特征

Question

我正在训练一个作物产量预测模型，该模型具有 6 个特征和 2000 条记录的自建数据集。

但是，数据集有偏差，我没有得到准确的结果。我尝试了不同的算法以及一些预处理，但仍然缺乏准确的结果。

这是特征与目标变量（产量（kg））的相关性：

• 区域：NaN
• 作物类型：NaN
• 年份：-0.019087
• 田地面积（英亩）：0.925150
• 温度（直流）：0.020016
• 可用水量（m3）：-0.049801
• 土壤类型：0.028538
• 名称：产量（kg），dtype：float64

请为此提出一些解决方案。

Answer 1

正如社区机器人在评论中提到的，您想强调什么具体问题？

1. 是否只有 FieldArea 具有很强的相关性（但您期望其他变量也具有一定程度的相关性）？ 如果是这样，您可能需要检查原始数据并确保传感器正确（因为它是自行构建的，我假设您有自定义传感器？）

2. 如果你的原始数据集有偏差，也许你可以尝试欠采样或过采样（处理数据不平衡的常用方法）

3. 由于您的“Region”和“CropType”显示“NaN”，您可能需要尝试 one-hot 编码（或任何其他方法）来处理分类变量并将它们“转换”为数字变量！

希望这有帮助！