CommencezCommencez gratuitement

Modèle linéaire en océanographie

Les données de séries chronologiques offrent un contexte où la « pente » du modèle linéaire représente un « taux de variation ».

Dans cet exercice, vous utiliserez des mesures de l'élévation du niveau de la mer de 1970 à 2010, vous construirez un modèle linéaire de cette évolution et vous l'utiliserez pour faire une prédiction sur l'élévation future du niveau de la mer.

Cette activité fait partie du cours

Introduction aux modèles linéaires en Python

Voir le cours

Instructions de l’exercice

  • Importez et utilisez LinearRegression(fit_intercept=True) pour initialiser un modèle linéaire.
  • Transmettez les données years et levels, déjà chargées et remodelées, à model.fit() pour ajuster le modèle.
  • Utilisez model.predict() pour prédire un seul future_level pour future_year = 2100 et affichez le résultat avec print().
  • Utilisez model.predict() pour prévoir plusieurs levels_forecast et tracez le résultat avec la fonction prédéfinie plot_data_and_forecast().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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, ____, ____)
Modifier et exécuter le code