Aan de slagBegin gratis

Lineair model in de oceanografie

Tijdreeksgegevens bieden een context waarin de "helling" van het lineaire model een "veranderingssnelheid" voorstelt.

In deze oefening ga je metingen van de zeespiegelverandering van 1970 tot 2010 gebruiken, een lineair model van die veranderende zeespiegel bouwen en het gebruiken om een voorspelling te doen over de toekomstige zeespiegelstijging.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Importeer en gebruik LinearRegression(fit_intercept=True) om een lineair model te initialiseren.
  • Geef de vooraf geladen en opnieuw gevormde gegevens years en levels door aan model.fit() om het model te fitten.
  • Gebruik model.predict() om een enkele future_level te voorspellen voor future_year = 2100 en print() het resultaat.
  • Gebruik model.predict() om meerdere levels_forecast te voorspellen en plot het resultaat met de vooraf gedefinieerde plot_data_and_forecast().

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 bewerken en uitvoeren