Lineares Modell in der Ozeanografie

Zeitreihendaten bieten einen Kontext, in dem die „Steigung“ des linearen Modells eine „Änderungsrate“ darstellt.

In dieser Übung verwendest du Messungen der Meeresspiegeländerung von 1970 bis 2010, baust ein lineares Modell für diesen sich verändernden Meeresspiegel und nutzt es, um eine Vorhersage für den künftigen Meeresspiegelanstieg zu treffen.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in lineares Modellieren mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Importiere und verwende LinearRegression(fit_intercept=True), um ein lineares Modell zu initialisieren.
Übergib die vorab geladenen und umgeformten Daten years und levels an model.fit(), um das Modell zu fitten.
Verwende model.predict(), um einen einzelnen future_level für future_year = 2100 vorherzusagen, und print() das Ergebnis.
Verwende model.predict(), um viele levels_forecast zu prognostizieren, und plotte das Ergebnis mit der vordefinierten plot_data_and_forecast().

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import LinearRegression class, build a model, fit to the data
from sklearn.linear_model import ____
model = ____(fit_intercept=True)
model.fit(years, levels)

# Use model to make a prediction for one year, 2100
future_year = np.array(2100).reshape(1, -1)
future_level = model.predict(____)
print("Prediction: year = {}, level = {:.02f}".format(future_year, future_level[0,0]))

# Use model to predict for many years, and over-plot with measured data
years_forecast = np.linspace(1970, 2100, 131).reshape(-1, 1)
levels_forecast = model.predict(____)
fig = plot_data_and_forecast(years, levels, ____, ____)

Code bearbeiten und ausführen