Fecha y hora: 16 / oc / 2021 -- 06:00pm
Algoritmo: K-means
Dataset: dataframe-junto.csv
Configuración: Algoritmo K-means Numero de Clusters: 4 Métodos usados para elegir el numero óptimo de Clusters: Metodo del codo y silueta Método para reducción de datos: PCA
Resultado: Varianza acumulada explicada por mis dos nuevas variables: 61.44%
Se modelaron utilizando la función regresión_lineal de la librería MLUtilities
Se utilizan las variables independientes de, Temperatura_maxima, Temperatura_minima, Temperatura_promedio, precipitacion y Siembrea_ha. Como variable dependiente se creo una nueva columna con el porcentaje de siembra cosechado. La función permite dividir los datos por planta y por mes (esta es opcional) Se modelaran las 3 plantas con diferente grado ademas de separarlos o no por meses
Modelo del maiz
Grado 1 sin meses Entrenamiento: MSE =1350.4899113383008 Pruebas: MSE =1315.9361971731496
Grado 2 sin meses Entrenamiento: MSE =1193.8025578504667 Pruebas: MSE =1181.962467999478
Grado 3 sin meses Entrenamiento: MSE =2146.7440439211973 Pruebas: MSE =2328.853317160301
Grado 1 con mes de enero Entrenamiento: MSE =709.8948736076497 Pruebas: MSE =698.004746379093
Grado 2 con mes de enero Entrenamiento: MSE =613.6261702756863 Pruebas: MSE =613.1658306750875
Grado 3 con mes de enero Entrenamiento: MSE =3245.8451564170414 Pruebas: MSE =6782.508696355911
Modelo del frijol
Grado 1 sin meses Entrenamiento: MSE =1190.4027280451758 Pruebas: MSE =1188.889181493713
Grado 2 sin meses Entrenamiento: MSE =1074.031556663748 Pruebas: MSE =1084.753949301942
Grado 3 sin meses Entrenamiento: MSE =1054.3071924551366 Pruebas: MSE =1053.832373738116
Grado 4 sin meses Entrenamiento: MSE =2670.559050149221 Pruebas: MSE =4187.452722719679
Grado 1 con mes enero Entrenamiento: MSE =1074.094407493021 Pruebas: MSE =1514.8008799995862
Grado 2 con mes enero Entrenamiento: MSE =953.7825278346365 Pruebas: MSE =50669.44777254354}
Grado 3 con mes enero Entrenamiento: MSE =911.6838244060021 Pruebas: MSE =16539.71072906514
Modelo del trigo
Grado 1 sin meses Entrenamiento: MSE =962.9665431268379 Pruebas: MSE =882.6306900843082
Grado 2 sin meses Entrenamiento: MSE =908.8798758909097 Pruebas: MSE =825.0957162003385
Grado 3 sin meses Entrenamiento: MSE =856.8501662808189 Pruebas: MSE =1632.0819788669771
Grado 1 con mes enero Entrenamiento: MSE =557.434026049089 Pruebas: MSE =855.016977392184
Grado 2 con mes enero Entrenamiento: MSE =502.2289446688361 Pruebas: MSE =879.5097654972043
Grado 3 con mes enero Entrenamiento: MSE =410.9400772042837 Pruebas: MSE =1435.588469170785
El forecasting a 24 meses con regresión lineal obtuvo un error de 1.79914032999 para la temperatura promedio
El forecasting a 24 meses con random forest obtuvo un error de 1.111217212150515 para la temperatura promedio
Por lo que se esperan mejores resultados con el método de regresión de random forest en los hiperparametros.
Forecasting a 24 meses con Random Forest obtuvo un error de 1.0498043693650942 para la temperatura mínima
Forecasting a 24 meses con Linear Regression obtuvo un error de 1.7527619998746913 para la temperatura mínima
Por lo que se espera un mejor desempeño en los hiperparametros
Forecasting para la temperatura máxima a 24 meses de random forest con error de 1.4495699848220678
Forecasting para la temperatura máxima a 24 meses de regresión lineal con error de 2.5734093305159917
Forecasting para la precipitación a 24 meses con random forest y error 1008.3917395427161
Forecasting para la precipitación a 24 meses con regresión lineal y error 1632.1577580238127
Forecasting para la precipitación a 12 mese con random forest y error 331.59
Forecasting para la precipitación a 6 meses con random forest y error de 3872
Forecasting con la función de selección de los hiperparametros a 24 meses para temperatura promedio con un error a 1.2040226273221546 por lo que el factor de aleatoriedad es muy importante
La diferencia en cuanto a los hiperparametros y los parámetros es muy poca, por lo que se excluirá el uso de la función para encontrar los hiperparametros debido a que interfiera con otras funciones por las versiones de las librerías que se requieren
| Fecha | Num. capas | Num. capas densas | Num. Neuronas | Func. Activación | Num. meses de base | Epocas | MSE | Resultado |
|---|---|---|---|---|---|---|---|---|
| 03-11-21 | 3 | 2 | 100, 256, 100 | RELU | 15 | 100 | 5.400 | No buenos |
| 03-11-21 | 4 | 3 | 100, 256, 100, 50 | RELU | 15 | 500 | 4.123 | No buenos |
| 04-11-21 | 2 | 1 | 100, 80 | RELU | 20 | 1000 | 2.451 | No buenos |
| 05-11-21 | 2 | 1 | 50, 25 | RELU | 10 | 900 | 2.534 | No buenos |
| 05-11-21 | 2 | 1 | 20, 10 | RELU | 8 | 500 | 1.233 | No buenos |
| 06-11-21 | 1 | 1 | 18 | RELU | 15 | 700 | 1.642 | No buenos |
| 06-11-21 | 1 | 1 | 8 | RELU | 15 | 700 | 0.248 | Buenos |
Resultados obtenidos:
Red neuronal Muna 1.36095568 sin los datos outliers 3.9
Red neuronal Yucatán Motul 2.0661826997254567
Red neuronal Yucatán Peto 1.5167553000494511
Red neuronal Yucatán Rio Lagartos 1.0607660893450739
Red neuronal Yucatán Tizimín 0.9429591903644475
Red neuronal Yucatán Mocochá 1.0553002765349526
Red neuronal Yucatán Oxkutzcab 1.4019736380710366
Red neuronal Campeche Palizada 1.6436496467391326
Red neuronal Campeche Sabancuy 1.3403760082052025
Red neuronal Campeche Campeche 1.2867122981000927
Red neuronal Tabasco Tenosique de Pino Suárez 1.6673301460089072
Red neuronal Tabasco Macuspana 1.4023028993952262
Red neuronal Tabasco Habanero 1.2867790386001323
Red neuronal Tabasco Capitan Felipe Castellanos Díaz (San Pedro) 1.9325713092380865
Red neuronal Oaxaca San Pedro Quiatoni 0.5066049279666287
Red neuronal Oaxaca San Jerónimo Ixtepec 0.8102670953388078
Red neuronal Oaxaca Santo Domingo Zanatepec 0.9264886092537115
Red neuronal Oaxaca Magdalena Tequisistlán 1.3891505233595367
Red neuronal Quintana Roo Felipe Carrillo Puerto 1.1579004923829412
Red neuronal Quintana Roo Chetumal 1.7424919057492327
Red neuronal Puebla San Pedro Zacachimalpa 1.3564002992735806
Red neuronal Puebla Chietla 1.0928813774818509
Red neuronal Puebla San Miguel Tenextatiloyan 1.2071596413976173
Red neuronal Puebla Axutla 0.46127609898263844
Red neuronal Puebla Tehuacan 1.039809188573151
Red neuronal Puebla Teziutlan 1.2840090006554783
Red neuronal Puebla Huauchinango 0.8822362658018856
Red neuronal Puebla Xicotepec de Juarez 1.2073015022249691