01 Реальный ML-пайплайн / Python
26 лет наблюдений, 18 признаков и шесть моделей.
Лучший результат сохраняется в forecast.txt.
Средняя температура / следующий день
дней после подготовки признаков
подходов в одном сравнении
последних дней модель не видит при обучении
средняя абсолютная ошибка лучшей модели
02 Наблюдения / 2000—2026
Последние строки CSV: средняя температура, диапазон min/max и осадки. Выберите окно и наведитесь на нужный день.
Поля, которые уже готовит data.py
03 Проверка / MAE
Для всех — один временной split. Побеждает минимальная MAE на последних 20% данных.
Будущее не попадает в обучение. Порядок временного ряда сохранён.
04 Веса / лучший запуск
Реальные веса последнего обучения: вправо — положительный вклад, влево — отрицательный.
05 Архитектура / 7 этапов
Семь понятных этапов: данные, признаки, обучение, сравнение и запись прогноза.
data.pypandas читает CSV, сдвигает ряд, считает rolling 3/7 и сезонные гармоники.
9 663 → 9 656preprocessing.pyПервые 80% уходят в train, последние 20% остаются честной проверкой.
order preservedtraining.pyШесть моделей обучаются и оцениваются через общий слой оркестрации.
6 candidatesgradient_model.pyВеса, bias, MSE и early stopping реализованы обычными функциями Python.
no ML frameworkevaluation.pyРезультаты приводятся к MAE, чтобы сравнение моделей оставалось честным.
test_error ↓forecasting.pyЛучшая модель получает последние данные и сезонность будущей даты.
2026-06-16reporting.pyОдин результат печатается в консоль и сохраняется в отдельный файл.
forecast.txt06 Последний сохранённый прогноз
Дата прогноза следует за последней строкой CSV. Обновится датасет — обновится и следующий день.
01Next day forecast
02-----------------
03Model: Weather features gradient
04Last known date: 2026-06-15 00:00:00
05Forecast date: 2026-06-16
06Last temp avg: 16.7
07Predicted next temp avg: 16.67
07 Почему результату можно верить
Сайт показывает не обещание точности, а текущий проверяемый срез проекта и его ограничения.
Лаги и rolling-средние строятся только по прошлым дням через shift(1).
Данные не перемешиваются: проверка отражает работу модели на более позднем периоде.
MAE переводит все шесть подходов в одну понятную величину — средний промах в градусах.
Модель, дата, последнее наблюдение и прогноз остаются в forecast.txt.
Средний промах модели в градусах
Функция потерь при градиентном обучении
Цикл года без разрыва между декабрём и январём
08 Beta / следующий цикл
Сейчас доступен проверенный статичный срез. Следом — live-пайплайн и история прогнозов.
Данные → признаки → модели → оценка → прогноз.
Метрики, графики, веса и архитектура в одном интерфейсе.
Запуск Python-пайплайна и свежий прогноз прямо с сайта.
Сравнение прогнозов с фактом и накопленная ошибка по датам.
Отдельный режим для 52 031 строки расширенного датасета.
Давление, осадки, нормализация и дополнительные гармоники.