Kom igångKom igång gratis

Linjär modell inom oceanografi

Tidsseriedata ger ett sammanhang där "lutningen" i den linjära modellen representerar en "förändringshastighet".

I den här övningen använder du mätningar av havsnivåförändringar från 1970 till 2010, bygger en linjär modell av den förändrade havsnivån och använder den för att göra en prediktion om framtida havsnivåhöjning.

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Importera och använd LinearRegression(fit_intercept=True) för att initiera en linjär modell.
  • Skicka in den förinlästa och omformade datan years och levels till model.fit() för att träna modellen.
  • Använd model.predict() för att prediktera ett enskilt future_level för future_year = 2100 och print() resultatet.
  • Använd model.predict() för att prognostisera flera levels_forecast och visualisera resultatet med den fördefinierade funktionen plot_data_and_forecast().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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, ____, ____)
Redigera och kör kod