01 Настоящий ML / Python
142 года наблюдений, семь локальных моделей и второй прогнозировщик: 12 численных погодных систем, исторические аналоги и residual ML.
Средняя температура на следующий день
дневных записей в активном архиве
локальных кандидатов по одному протоколу
будущих дней отделены от обучения
численных погодных систем в hybrid-режиме
02 Наблюдения / 1884—2026
Средняя температура, диапазон min/max и осадки из рабочего CSV. Выберите период и изучите любой день.
Поля, которые уже создает data.py
03 Оценка / MAE
Каждая модель проходит один хронологический holdout. Побеждает минимальная MAE на последних 20%.
Будущие наблюдения не попадают в train. Порядок времени сохраняется.
04 Гибридный прогноз / live API
Численные прогнозы задают baseline. Исторические аналоги добавляют локальный контекст, а ridge ML учит оставшуюся ошибку, не затрагивая recent audit.
Эмпирический интервал 80%20.20 — 21.83°C
Прошлые прогоны моделей сопоставляются с наблюдениями станции.
Residual target обучается только на более ранних датах.
Здесь выбираются alpha и доля residual-коррекции.
Итоговая проверка качества не меняет настройки модели.
05 Изученные веса / локальная модель
Компактная модель с шестью признаками показывает интерпретируемые коэффициенты. Справа — положительные, слева — отрицательные, ноль остается видимым.
06 Архитектура / два пути
Оба прогноза начинают с одной длинной локальной истории. Первый сохраняет результат в файл, второй получает календарное «завтра» через live API.
data.pypandas читает 142 года, заполняет пропуски ветра и создает лаги, rolling windows и три сезонные гармоники.
52 062 → 51 650preprocessing.pyПервые 80% идут в train, последние 20% остаются нетронутой проверкой на будущем отрезке.
порядок сохраненtraining.pyСемь моделей обучаются и сравниваются через общий слой оркестрации.
7 кандидатовgradient_model.pyМодель с 14 признаками использует матричные операции NumPy, свой цикл loss и early stopping.
векторизованоapi_weather_model.pyДвенадцать численных систем корректируются по смещению и взвешиваются по свежей реальной ошибке.
12 источниковapi_weather_model.pyИсторические аналоги и 66 сигналов из API предсказывают то, что baseline все еще пропускает.
ridge MLreporting.pyLocal-режим пишет след в forecast.txt, hybrid выводит свой интервал и backtest.
Детерминированный offline-режим, привязанный к следующей дате датасета.
Прогнозирует календарное завтра и откатывается к локальным аналогам, если API недоступны.
07 Последний сохраненный local-прогноз
Это последний результат, сохраненный main.py.
Он не смешивается с live hybrid-прогнозом выше.
01Next day forecast
02-----------------
03Model: Advanced weather gradient
04Last known date: 2026-07-16 00:00:00
05Forecast date: 2026-07-17
06Last temp avg: 21.8
07Predicted next temp avg: 21.41
08 Почему результат можно проверить
Это проверяемый срез проекта, а не обещание постоянной точности.
Лаги и rolling mean используют только прошлые дни через shift(1).
Без перемешивания: оценка показывает работу модели позже по времени.
MAE приводит все семь local-подходов к одной средней ошибке в градусах.
Hybrid-параметры выбираются на validation, свежий audit только измеряет результат.
Средняя ошибка модели, измеренная в градусах
Loss-функция для градиентного обучения
Ridge ML учит только то, что еще не поймал адаптивный API baseline
09 Бета / следующий цикл
Текущая версия показывает оба реальных прогноза. Дальше — повторяемые результаты, тесты и история.
Данные → признаки → модели → оценка → прогноз.
Метрики, графики, веса и архитектура в одном интерфейсе.
12 прогнозов + аналоги + адаптивный baseline + residual ridge.
Сохранять local и hybrid-метрики, чтобы сайт обновлялся автоматически.
Сравнивать каждый прогноз с реальностью и следить за ошибкой во времени.
Покрыть pipeline тестами и кешировать исторические ответы API.