" В данной статье представлен обзор и сравнение различных методов прогнозирования в машинном обучении. Описаны методы линейной и логистической регрессии, деревьев решений, случайного леса, градиентного бустинга и метода опорных векторов. Также исследованы и проанализирована архитектура нейронных сетей, методы кластеризации, которые используются для выявления групп в данных на основе сходства. С целью выбора наилучшего метода для дальнейшего исследования, были рассмотрены преимущества и недостатки каждого метода прогнозирования. Проведен анализ статей опубликованных в журналах входящих в базу Scopus, чтобы получить обзор опубликованных методов прогнозирования урожайности. Это исследование показало, что в выборке из 101 статьи подходы, основанные на процессах и на основе данных, были представлены в равной степени. Из анализа литературы стало ясно, что основным препятствием для широкого внедрения комплексных подходов, основанных на данных, является отсутствие подходящих наборов данных, в то время как модели роста сельскохозяйственных культур сталкиваются с проблемой неспособности моделировать коэффициенты снижения, требуя часто многочисленные входные факторы. В целом, правильный выбор метода прогнозирования является ключевым фактором для достижения успешных результатов в машинном обучении. Ключевые слова: методы прогнозирования, машинное обучение, нейронные сети, сельское хозяйство, урожайность. "