Model liniowy w oceanografii

Dane szeregów czasowych to kontekst, w którym "nachylenie" modelu liniowego reprezentuje "tempo zmian".

W tym ćwiczeniu skorzystasz z pomiarów zmian poziomu morza z lat 1970–2010, zbudujesz liniowy model tych zmian, a następnie użyjesz go do przewidzenia przyszłego wzrostu poziomu morza.

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj i użyj LinearRegression(fit_intercept=True), aby zainicjalizować model liniowy.
Przekaż wstępnie wczytane i przekształcone dane years oraz levels do metody model.fit(), aby dopasować model.
Użyj model.predict(), aby przewidzieć pojedynczą wartość future_level dla future_year = 2100, i wyświetl wynik za pomocą print().
Użyj model.predict(), aby wygenerować prognozę levels_forecast dla wielu wartości, i zwizualizuj wynik za pomocą predefiniowanej funkcji plot_data_and_forecast().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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, ____, ____)

Edytuj i uruchom kod