Machine learning 我可以使用梯度推进算法来预测时间（年）、纬度和经度的数据吗？

我有一份2005-2014年每周天气信息、产量、纬度和经度的数据。我想根据这些数据预测2015年的收益率。我计划使用梯度推进算法，但我不确定这是否是正确的方法，因为我还考虑了位置（纬度）和年份作为预测因素。我想保留不同年份的数据，这样我就可以捕捉不同年份的天气变化

如果你的数据只是三维的，你应该能够绘制它，准确地看到发生了什么，并给出近乎完美的答案，甚至可能使用简单的KNN。你不应该开始用复杂的方法分析问题。总是从最简单的开始——对于这样的问题，如果最简单的不是最好的，我会感到惊讶，我以前不清楚，我的数据点数量大约是10000个，特征大约是70个变量。这是一个非线性问题，所以使用线性回归毫无意义。我尝试了随机森林，但结果很糟糕。我想到了使用gbm，培训学习能力差的学生，看看它的表现如何。但我不确定是否有空间和时间相关的是一个好办法。我想保持不同年份的数据，这样我就能捕捉到不同年份的天气变化。这种数据对于GBM来说不是问题，如果我把年份视为一个特征，那么GBM将能够捕捉不同年份的天气变化。我不知道它会捕获什么，因为它取决于你的数据。我所知道的是，这类数据中有诺丁汉specjalnie，这可能会给gbmIf带来特别的麻烦。如果你的数据只是三维的，你应该能够绘制它，准确地看到发生了什么，并给出近乎完美的答案，甚至可能使用简单的KNN。你不应该开始用复杂的方法分析问题。总是从最简单的开始——对于这样的问题，如果最简单的不是最好的，我会感到惊讶，我以前不清楚，我的数据点数量大约是10000个，特征大约是70个变量。这是一个非线性问题，所以使用线性回归毫无意义。我尝试了随机森林，但结果很糟糕。我想到了使用gbm，培训学习能力差的学生，看看它的表现如何。但我不确定是否有空间和时间相关的是一个好办法。我想保持不同年份的数据，这样我就能捕捉到不同年份的天气变化。这种数据对于GBM来说不是问题，如果我把年份视为一个特征，那么GBM将能够捕捉不同年份的天气变化。我不知道它会捕获什么，因为它取决于你的数据。我所知道的是，这类数据中存在诺丁汉Specjannie，这可能会给gbm带来特别的麻烦