🌾 Predicción de Lluvias mediante Machine Learning con metodología CRISP-DM
En este proyecto desarrollamos un análisis exhaustivo de datos meteorológicos usando técnicas de minería de datos aplicadas a un dataset público de clima en Australia, utilizando Jupyter Notebook como entorno principal.
📂 Dataset utilizado
Weather Australia, compuesto por más de 140 mil registros diarios, provenientes de múltiples estaciones meteorológicas del país.
El objetivo fue generar información valiosa que apoye la toma de decisiones estratégicas en el cultivo de trigo, una actividad clave en Australia. Buscamos identificar patrones estacionales, prever condiciones climáticas adversas y desarrollar modelos predictivos confiables.
Aplicamos la metodología CRISP-DM como marco estructurado para todo el proceso, abarcando desde la comprensión del negocio hasta la visualización final de resultados.
Tecnologías utilizadas
- Python
- Jupyter Notebook
- Pandas, NumPy, Scikit-learn
- Matplotlib, Seaborn
- Looker Studio
Modelado predictivo
- 📈 Regresión múltiple y árbol de regresión para estimar la temperatura máxima
- 🌧 Árbol de decisión y Naive Bayes para predecir la variable objetivo RainTomorrow
🔢 Evaluación
Métricas como MAE, MSE, R², AUC, precisión global y F1-Score fueron clave para seleccionar el mejor modelo.
📌 Insight clave:
Conocer la probabilidad de lluvia y las temperaturas máximas permite a agricultores ajustar estrategias de siembra y cosecha, reducir pérdidas y mejorar la productividad.
📊 Visualización de predicciones por estado
📽 Presentación del proyecto
--
Documentos