机器学习的共同规则是先尝试简单的事情。对于预测连续变量，没有什么比简单的线性回归更基本的了。名称中的“简单”意味着只使用了一个预测变量（当然是 + 截距）：

y = b0 + x*b1

其中b0是截距，b1是斜率。例如，您可能希望根据温度预测公园中柠檬水的消耗量：

cons = b0 + temp * b1

温度是定义明确的连续变量。但如果我们谈论一些更抽象的东西，比如“天气”，那么就更难理解我们如何测量和编码它了。如果我们说天气取值{terrible, bad, normal, good, excellent}并分配从 -2 到 +2 的数字，那没关系（这意味着“优秀”天气是“好”的两倍）。但是如果天气是由文字给出的{shiny, rainy, cool, ...}呢？我们无法对这些变量下达命令。我们称这些变量为分类变量。由于不同类别之间没有自然顺序，我们不能将它们编码为单个数值变量（线性回归只需要数字），但我们可以使用所谓的虚拟编码：weather[weather_shiny, weather_rainy, weather_cool]，其中只有一个可以取值 1，其他应该取 0。事实上，由于共线性，我们将不得不删除一个变量。因此，根据天气预测流量的模型可能如下所示：

traffic = b0 + weather_shiny * b1 + weather_rainy * b2  # weather_cool dropped

其中一个b1或b2为1，或两者均为0。

请注意，您还可能遇到预测变量和预测变量之间的非线性依赖关系（您可以通过绘制(x,y)对轻松检查它）。在不拒绝线性模型的情况下处理它的最简单方法是使用多项式特征 - 只需将特征的多项式添加为新特征。例如，对于温度示例（对于虚拟变量，它没有意义，原因1^n并且0^n对于 any 来说仍然是 1 和 0 n）：

traffic = b0 + temp * b1 + temp^2 * b2 [+ temp^3 * b3 + ...]

与论坛本身相比，我更擅长数据 ETL 和组合/聚合。我经常处理天气数据。我想就在分析中使用天气数据提出一些建议。

1. 美国/加拿大报告了两种类型的数据：
   A. 测量值
   B. 天气类型

至于天气类型（晴天、下雨、严重雷暴），它们要么已经反映在测量中（例如，晴天、下雨）并且是多余的，要么它们是恶劣的天气条件并且不一定反映在测量中。

对于恶劣的天气类型，我会有单独的公式。

对于测量，北美气象站报告有 7 个标准的每日测量值。

温度 最小/最大
降水量
平均风速
平均云量（百分比）
总阳光（分钟）
降雪
雪深

并非所有站都报告所有 7 次每日测量值。有些只报告温度和降水。因此，当所有七种测量值都可用时，您可能需要一个温度/降水公式和一个扩展公式。

下面的两个链接是 NOAA/NWS 数据集中使用的天气术语：

本文档是年度总结的词汇：

http://www1.ncdc.noaa.gov/pub/data/cdo/documentation/ANNUAL_documentation.pdf

本文档是日常总结的词汇

http://www1.ncdc.noaa.gov/pub/data/cdo/documentation/GHCND_documentation.pdf