机器学习天气预测实战：从特征工程到模型调参的完整链路

简介：一份面向机器学习初学者的天气预测实战项目压缩包，适合作为课程大作业参考或进阶练习。压缩包为zip格式，约603KB，内容多围绕数据集、代码脚本与实验报告等典型作业模块展开，便于按步骤复现完整流程。目前已有7276人学习下载，参考价值较高。项目以历史气象数据为基础，系统涉及数据预处理（缺失值处理、归一化、特征编码）、特征工程（滑动均值、滞后值、气象指数）、模型选择与训练验证等关键环节，并讨论了线性回归、决策树、随机森林、支持向量机以及LSTM/GRU等模型在时间序列预测中的适用场景。同时涵盖超参数调整、基于LIME的模型解释、预测部署与持续监控更新等工程化内容，帮助读者从数据清洗、建模调优到部署维护建立完整认知，适合作为机器学习综合实践作业的完整模板。

1. 机器学习大作业的天气预测：这份压缩包把整条分析链路跑通

在很多高校的机器学习课里，“天气预测”是最受欢迎的大作业选题之一：数据好找、任务直观、模型对比有空间、报告也好写。这套“机器学习大作业-预测天气.zip”就是把这件事做成了一整套可复现的工程，从原始天气数据集入手，完成数据清洗、特征工程、基线回归、树模型调参，最后落到一份能解释清楚的实验报告。它适合两类人：一是被课程设计卡住、第一次写机器学习代码的同学，希望看到完整分析思路和能直接运行的代码；二是想快速验证自己工程能力的从业者，用这个天气场景把 scikit-learn 的基本功完整过一遍。它不是一个能让你直接交差的“成品答案”，而是一条能跑通、能讲明白的完整路径。

2. 先看清数据和特征：天气预测的上限在特征工程

2.1 气象数据字段与预处理：先搞清楚“能拿到什么”再动手

天气预测最常碰到的数据是逐小时或逐日的气象站观测记录。一个典型的数据集包含日期时间、平均气温、最高气温、最低气温、湿度、气压、降水量、风速、风向等字段。我拆开这套压缩包之后，发现里面的数据集更适合按“日粒度”做回归任务——用前几天的气象观测值去预测当天的某个目标变量，比如最高气温或平均气温。

预处理的第一件事不是标准化，而是对齐时间轴。气象站原始记录常有“某几个小时的观测缺失”的情况，常见做法是：如果连续缺失不超过 3 个时刻，用前后时刻的线性插值补上；如果缺失段落太长，直接把当天数据剔除，而不是硬补。补出来的数据会让训练损失变低，但会让模型学到不真实的模式——这是数据层面的第一道坑。

import pandas as pd import numpy as np df = pd.read_csv("weather_data.csv", parse_dates=["date"]) df = df.sort_values("date") # 只对数值列做插值，且限制连续缺失数量 num_cols = ["temp_avg", "temp_max", "humidity", "pressure", "wind_speed"] for col in num_cols: df[col] = df[col].interpolate(method="linear", limit=3, limit_direction="both") # 剩余含空值的行直接删掉 df = df.dropna(subset=["temp_avg", "temp_max"])

这段代码的逻辑是：先按日期排序，保证时间顺序；然后对每个数值列做线性插值，limit=3表示只有连续缺失不超过 3 个点才允许补值，limit_direction="both"表示可以从前后两个方向取值。最后再删掉仍然有空值的行。

参数这块要特别说一句：interpolate的limit不建议调大。气象数据在传感器故障或连续阴雨时可能长时间无记录，这时候插值等于“编数据”。模型把编出来的规律当真，后面无论用什么模型精度都上不去。如果缺测超过 5 天，直接放弃那段时间，比强行补全更安全。

2.2 滞后特征与滚动均值：让模型“看到”时间流动

温度、湿度这类气象要素有很强的自相关性，今天的最高气温和昨天、前天的最髙气温高度相关。只把当前时刻的特征丢给模型，就等于让它猜一个“完全没看前一天”的答案，这在课程设计里属于新手最容易犯的任务设计错误。

标准做法是构造滞后特征：把目标变量往前挪一天、两天，变成新的输入列。这里我用shift来做，顺手把滚动均值也加上。

# 生成滞后特征：前1天、前2天、前7天的平均气温 for lag in [1, 2, 7]: df[f"temp_avg_lag{lag}"] = df["temp_avg"].shift(lag) # 滚动均值：过去3天和过去7天的平均气温 df["temp_avg_roll3"] = df["temp_avg"].rolling(window=3).mean() df["temp_avg_roll7"] = df["temp_avg"].rolling(window=7).mean() # 去掉前面没有完整滞后窗口的行 df = df.dropna()

shift(lag)会在每一行生成“上一天”的气温值，rolling则在时间轴上生成滑动平均。这两个系列对天气预测极其有效，因为它们直接编码了气象的连续性和周期性。

这里要注意一个实践点：滚动窗口的长度要匹配预测场景。如果数据是日粒度，window=3 和 window=7 分别对应短期惯性和一周周期，足够表达“气温的短期记忆”。往大作业里写报告时，建议把 1、3、7 这三组滞后值都做出来并比较特征重要性，通常你会发现 lag1 的重要性远超其他特征——这个结论本身就可以写进报告。别把这个结论藏起来，指导老师最喜欢看到这种对特征含义的分析，而不是只丢一个准确率数字。

2.3 时间序列划分纪律：不能随机打乱

训练集、验证集、测试集的划分，在天气预测里不是一个小步骤，而是决定项目有没有意义的分水岭。用train_test_split默认的随机切分来切时间序列，会让模型在预测时“偷看”到未来数据，测试集分数虚高，交上去的作业经不起细问。

from sklearn.model_selection import TimeSeriesSplit tscv = TimeSeriesSplit(n_splits=5) for train_idx, val_idx in tscv.split(df): train = df.iloc[train_idx] val = df.iloc[val_idx]

TimeSeriesSplit按时间顺序做多折切分，每一折的训练数据都在验证数据之前，严格避免“未来数据进训练集”。老师如果追问一句“你的交叉验证为什么不用 KFold”，你能答出“天气数据有自相关，随机切分会泄露信息”，这一分就已经稳了。代码注释里建议写清楚这句话，很多同学代码写得对，但一句话解释不了，等于白做。

3. 线性回归打底：先有一个能兜底的基线

3.1 为什么要先跑线性回归：基线决定了后续模型的说服力

在天气预测任务里，永远不要一开始就上随机森林。正确做法是先做一个简单的线性回归，得到一个“底线分数”，后面的复杂模型才有对照物。没有基线，你根本说不清楚树模型带来的提升是真实收益还是过拟合。

天气场景下，线性模型的含义非常直观：它表达“昨天温度每升高 1 度，今天的最高气温平均升高 0.6 度”这样的关系。这种可解释性，是线性回归在大作业里不可替代的价值。目标变量选temp_max（最高气温），假设天数、行业惯例上都说得通。

把特征和目标拆分之后，直接训练：

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error features = ["temp_avg_lag1", "temp_avg_lag2", "temp_avg_lag7", "humidity", "pressure", "temp_avg_roll3", "temp_avg_roll7"] target = "temp_max" X_train, X_val = train[features], val[features] y_train, y_val = train[target], val[target] model = LinearRegression() model.fit(X_train, y_train) y_pred = model.predict(X_val) baseline_mae = mean_absolute_error(y_val, y_pred) print(f"Baseline MAE: {baseline_mae:.2f}")

LinearRegression是最小二乘法求解，不需要调参，对新手友好。这里用mean_absolute_error而非r2_score作主指标，是因为绝对误差更直观——你的报告里写“平均预测偏差 2.3 摄氏度”，比“R²=0.93”更能让读者脑补出实际含义。

参数说明：features里只放滞后特征、气象要素和滚动均值，不加更多花哨特征。基线就该简单，加太多高级特征会让基线失去参考意义。在报告中把 y_val 和 y_pred 画在同一张折线图里，能看到“趋势一致但细节有偏差”的效果，这就是基线的典型表现。

3.2 回归系数解读：线性模型的价值不在预测，在解释

线性回归的结果，除了预测值，还有一组系数。这组系数在大作业报告里几乎等于白送的分数，因为大部分同学不会看，或者看了不知道往哪写。

coef_df = pd.DataFrame({"feature": features, "coef": model.coef_}) coef_df["abs_coef"] = coef_df["coef"].abs() coef_df = coef_df.sort_values("abs_coef", ascending=False) print(coef_df)

输出结果里，temp_avg_lag1的系数通常最大，绝对值远高于其他特征，说明前一天的最高气温对当天的影响最大。其次是滚动均值temp_avg_roll3，代表近三天的“温度惯性”。压力和湿度的系数通常较小，甚至可能是负的——这背后是气象常识：气压高、天气稳定，昼夜温差反而大。

把这张系数表放进报告，老师就知道你不是在“跑完代码贴准确率”，而是在理解模型在学什么。线性回归的意义就是同时完成“预测”和“解释”两件事，这也是把它作为大作业第一步的最大理由。

3.3 别急着否定线性模型：加一层特征交互再看

很多人看到基线 MAE 偏高，立刻换树模型，这是常见的策略失误。实际做法是先为线性回归添加一两个特征交互项，比如“滞后温度 × 风速”或“湿度 × 滞后温度”，看基线能否被线性模型自己抬起来。

从工程实现上，直接用PolynomialFeatures做低阶交叉：

from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import make_pipeline poly_model = make_pipeline( PolynomialFeatures(degree=2, include_bias=False), LinearRegression() ) poly_model.fit(X_train, y_train) poly_pred = poly_model.predict(X_val)

PolynomialFeatures(degree=2)会把所有两两特征组合成新特征，include_bias=False表示不加全 1 列，make_pipeline把特征生成和模型训练串成一个整体，避免训练集和验证集间遗忘变换步骤。这样操作的目的在于确认一件事：线性模型的上限往往比你想象中高。如果加了交互后 MAE 显著下降，说明“特征工程还没做到位，而不是线性模型不够强”，你在报告里写下这句判断，后面的树模型就显得更有逻辑。

4. 树模型上场：随机森林与梯度提升的实战调参

4.1 为什么树模型在表格天气数据上普遍更强

天气数据是典型的表格结构：几十列数值特征、单一回归目标、噪声明显。这种数据上，随机森林和梯度提升树往往优于线性回归，因为树模型能自动捕获非线性关系和特征间的联合条件，比如“湿度高且风速低时昼夜温差小”——线性回归很难表达这种 if-then 结构，除非手动构造交叉特征。

但树模型的代价是调参维度变多。常见的翻车现场是把所有参数都试一遍，却不知道每个参数在控制什么。以RandomForestRegressor为例，把主要参数按作用分组整理如下：

大作业场景下，随机森林的推荐起点是 n_estimators=200、max_depth=12、min_samples_leaf=5。不建议一开始就把 max_depth 设到很大，树一旦深了，训练集分数立刻上来，验证集反而不动甚至变差，这就是过拟合的典型信号。

4.2 网格搜索的正确姿势：只调最主要的参数

调参不是堆参数。以 max_depth 和 min_samples_leaf 为例，这两个参数直接控制模型复杂度，优先调它们就够用了。

from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import GridSearchCV model = RandomForestRegressor(n_estimators=200, random_state=42) param_grid = { "max_depth": [8, 12, 16], "min_samples_leaf": [3, 5, 10] } grid = GridSearchCV( estimator=model, param_grid=param_grid, scoring="neg_mean_absolute_error", cv=TimeSeriesSplit(n_splits=5), n_jobs=-1, verbose=1 ) grid.fit(X_train, y_train) best_model = grid.best_estimator_ print(grid.best_params_, grid.best_score_)

这里scoring="neg_mean_absolute_error"是关键。GridSearchCV 默认评分是 R²，但在天气预测里应该以 MAE 的负数形式（sklearn 约定分数越大越好，所以取负值）来选模型，避免被 R² 虚高误导。cv直接传 TimeSeriesSplit 而不是 KFold，这是和普通分类项目最大的区别。

参数说明：交叉验证折数选 5 而不是 10。天气数据每条记录间有时间依赖，折数越多每折样本越短，滞后特征在短样本上统计稳定性变差。这个取舍可以写进报告，正是老师想看的那种“你知道为什么这么设”的细节。

4.3 特征重要性：树模型带来的第二个可信结论

树模型还有一个额外的好处，就是直接输出feature_importances_。这个数据在报告里能回答“什么因素在影响预测结果”的经典问题。

importance = pd.DataFrame({ "feature": features, "importance": best_model.feature_importances_ }) importance = importance.sort_values("importance", ascending=False) print(importance.head(5))

运行结果多半是 lag1、lag2、roll3 排在最前，湿度和气压靠后。这不是巧合，与气象常识一致——短期温度预测的关键信号来自之前的温度，而不是外部强迫量。

写报告时，把这张重要性表画成条形图，和上一章的线性回归系数表放在一起对照。如果两个模型给出的 top 特征吻合，就说明发现了数据中的稳定规律；如果不一致，那正好是一个讨论点：线性模型和树模型对同一批特征的响应机制不同。两者都能写，不要掩盖差异。

4.4 梯度提升何时值得换上来

随机森林的调参稳定，但如果想在报告里再加一个模型对比，梯度提升是一个常见的进阶方向。它比随机森林更容易过拟台，需要更小的学习率和更多的树。这里给一个轻量实验的起点：

from sklearn.ensemble import GradientBoostingRegressor gbm_model = GradientBoostingRegressor( n_estimators=300, learning_rate=0.05, max_depth=5, subsample=0.9, random_state=42 ) gbm_model.fit(X_train, y_train) gbm_pred = gbm_model.predict(X_val)

learning_rate=0.05配合更多树，是把“每棵树的贡献”压小，逐步逼近目标，泛化能力通常更好。subsample=0.9表示每棵树只用 90% 的样本，是很轻的随机采样策略。实际效果要看验证集 MAE，如果 gbm 比随机森林低 0.1 度以上，就值得写进报告；如果只差 0.02 度，不值得为此增加篇幅。

5. 天气预测避坑指南：六个常见的翻车现场

5.1 数据泄露：标准化时机错了，验证集被“剧透”

现象：验证集上 MAE 低得离谱，只有平时分数的三分之一，模型表现好到不真实；但换到新数据上完全失效。

原因：在划分训练集和验证集之前，就对全量数据做了StandardScaler或均值填充。标准化使用的均值和方差是在包含验证集的数据上算出来的，相当于让模型在训练时提前接触了验证集的统计信息。

解决：所有涉及统计量的预处理步骤，必须只在训练集上 fit，再 apply 到验证集。正确处理是借助make_pipeline把标准化和模型串成一步，或者在拆分之后手动调用 fit/transform。这个坑在天气预测里特别隐蔽，因为很多同学习惯先统一处理数据再写训练代码。从那以后我写这类项目，第一件事就是检查代码里哪里有fit、哪里有transform，绝不混用。

5.2 随机划分时间序列：预测“未来”变成内插历史

现象：测试集误差很小，把预测结果按时间画出来，发现预测曲线和真实曲线几乎重合，连突然的降温都能提前“预知”，细想完全不合理。

原因：train_test_split(test_size=0.2, shuffle=True)默认随机打乱数据，训练集和测试集的时间范围交错重叠，模型并不是在预测未来，而是在对已知历史做内插。

解决：时间序列数据划分一律用TimeSeriesSplit，或者手动按时间索引切片，保证训练数据时间严格早于验证数据。这个检查我在期末验收时经常做，一旦发现随机划分，报告里的所有分数都要打折扣。

5.3 主指标选错：R² 不是天气预测的第一指标

现象：报告里只写了 R²=0.95，看起来精度很高，但实际预测偏差经常有 2℃，被老师追问“误差几度”时答不上来。

原因：R² 在自相关性强的序列数据上天然虚高，因为昨天的温度对今天有极强预测力，即使模型只是把昨天的值原样抄过来，R² 也不会低。MAE 和 RMSE 这类绝对误差指标才真正反映“偏差几度”。

解决：主指标用 MAE（平均绝对误差）和 RMSE（均方根误差）。MAE 稳健、适合向非技术读者解释；RMSE 对大误差更敏感，适合检查有没有离谱预测。如果两个指标差异很大，说明存在个别突出误差样本，比如极端寒潮或强降雨导致的跳跃，可以单独列出来分析。

5.4 滞后特征生成后忘记处理 NaN

现象：模型训练不报错，但验证集样本数莫名比特征工程前少了很多，评估分数也忽高忽低。

原因：shift()会在序列开头产生 NaN，rolling()也会在窗口不满的位置产生 NaN。如果没有统一 dropna，这些行带着空值进入模型，部分 sklearn 模型会静默丢弃这些行，导致训练集和验证集样本对不上。

解决：生成滞后特征后统一执行df.dropna()，并在前后各打印一次df.shape。丢失几十行是正常的，丢了几百行就说明窗口设大了或数据太短，需要在特征工程早期就发现。

5.5 网格搜索范围拍脑袋：调参变成撞运气

现象：花几个小时跑 GridSearch，选出来的参数和初始值差不多，验证分数也没有明显提升，白白消耗时间。

原因：参数搜索空间设得太大或太密，且在搜索之前没有先确认数据的问题出在哪里。如果基础特征都没做好，调参只是在一个错误的问题上反复逼近。

解决：先固定 n_estimators=200，只调 max_depth 和 min_samples_leaf 两个参数，每个范围不超过 4 个值。搜索结束后不要直接信 best_params_，再看验证曲线是否落在参数区间内部。如果最优值选在边界上，说明搜索范围设错了，要向外扩展再跑一次，而不是直接接受这个结果。

6. 把大作业做出亮点：滚动验证与对比可视化

天气预测大作业的差距，最后往往不在模型分数，而在验证方法和展示方式。除了常规的 TimeSeriesSplit，我更推荐加一个“滚动预测”验证：模拟真实使用场景，用过去 100 天的数据训练模型，预测下一天，然后窗口每天滑动一步，连续预测 30 天。

preds, truths = [], [] for step in range(30): train_data = df.iloc[step: step + 100] pred_data = df.iloc[step + 100] clf = LinearRegression() clf.fit(train_data[features], train_data[target]) pred = clf.predict(pred_data[features].to_frame().T)[0] preds.append(pred) truths.append(pred_data[target])

这个循环模拟了“每天更新一次模型”的运行方式，结果更接近真实部署逻辑。实测下来，滚动预测的 MAE 往往比一次性切分测试集更低，因为窗口每天滑动时，模型总能用到“尽量新”的数据。这个结论本身就有价值，可以在报告里单开一小节说明。

可视化方面，最重要的不是相关性散点图，而是真实值与预测值的时间序列折线。把 30 天的滚动预测绘制成一条虚线，与真实曲线叠加，老师一眼就能看出模型在拐点和极端天气上的偏离。如果再配合一张误差分布直方图，说明大多数预测误差落在 ±1℃ 区间内，这份证据链就完整了。

我再强调一个习惯。从那以后，我每完成一个预测类项目，都强制自己走一遍“时间切分检查”和“特征泄露检查”两道流程，否则绝不上报告。前者避免未来信息混入训练，后者避免统计信息在预处理阶段泄漏到全量数据。这套工序看似繁琐，但能省下后期反复排查的精力和答辩时的窘迫。希望帮到你。

本文还有配套的精品资源，点击获取