Modello lineare in oceanografia

I dati in serie temporale offrono un contesto in cui la "pendenza" del modello lineare rappresenta un "tasso di variazione".

In questo esercizio userai misurazioni del cambiamento del livello del mare dal 1970 al 2010, costruirai un modello lineare di quel cambiamento e lo userai per fare una previsione sull’innalzamento futuro del livello del mare.

Questo esercizio fa parte del corso

Introduzione alla modellazione lineare in Python

Visualizza il corso

Istruzioni dell'esercizio

Importa e usa LinearRegression(fit_intercept=True) per inizializzare un modello lineare.
Passa i dati years e levels, già caricati e rimodellati, a model.fit() per addestrare il modello.
Usa model.predict() per prevedere un singolo future_level per future_year = 2100 e print() il risultato.
Usa model.predict() per stimare molti levels_forecast e traccia il risultato con la funzione predefinita plot_data_and_forecast().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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, ____, ____)

Modifica ed esegui il codice