使用 Python 可以使用機(jī)器學(xué)習(xí)模型進(jìn)行溫度預(yù)測(cè)。常用的模型有回歸分析、隨機(jī)森林等。使用前需要準(zhǔn)備足夠的歷史數(shù)據(jù)并進(jìn)行特征工程，構(gòu)建模型并進(jìn)行訓(xùn)練，最后使用預(yù)測(cè)結(jié)果。

溫度預(yù)測(cè) 回歸分析

以下代碼使用線(xiàn)性回歸算法對(duì)溫度數(shù)據(jù)進(jìn)行預(yù)測(cè)：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 讀入溫度數(shù)據(jù)
data = pd.read_csv('temperature_data.csv')

# 分離特征和標(biāo)簽
X = data[['day_of_year', 'year']]
y = data['temperature']

# 分割數(shù)據(jù)集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 訓(xùn)練模型
reg = LinearRegression().fit(X_train, y_train)

# 預(yù)測(cè)結(jié)果
y_pred = reg.predict(X_test)

# 評(píng)估模型
score = reg.score(X_test, y_test)
print('R2 score: ', score)

導(dǎo)入必要的庫(kù)：

• import pandas as pd：用于讀取 CSV 文件并處理數(shù)據(jù)。
• import numpy as np：用于進(jìn)行數(shù)值運(yùn)算。
• from sklearn.linear_model import LinearRegression：從 scikit-learn 庫(kù)導(dǎo)入線(xiàn)性回歸模型。
• from sklearn.model_selection import train_test_split：從 scikit-learn 庫(kù)導(dǎo)入數(shù)據(jù)分割函數(shù)。

讀取溫度數(shù)據(jù)：

data = pd.read_csv('temperature_data.csv')：使用 pandas 讀取 CSV 文件并保存到 data 變量中。

分離特征和標(biāo)簽：

• X = data[['day_of_year', 'year']]：將溫度數(shù)據(jù)中的 day_of_year 和 year 列作為特征，存儲(chǔ)到 X 變量中。
• y = data['temperature']：將溫度數(shù)據(jù)中的 temperature 列作為標(biāo)簽，存儲(chǔ)到 y 變量中。

分割數(shù)據(jù)集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)：使用 train_test_split() 函數(shù)將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，其中測(cè)試集大小為 20%。

訓(xùn)練模型：

reg = LinearRegression().fit(X_train, y_train)：使用訓(xùn)練集數(shù)據(jù)訓(xùn)練線(xiàn)性回歸模型，并保存到 reg 變量中。

預(yù)測(cè)結(jié)果：

y_pred = reg.predict(X_test)：使用測(cè)試集數(shù)據(jù)預(yù)測(cè)結(jié)果，并保存到 y_pred 變量中。

評(píng)估：

print('R-squared:', reg.score(X_test, y_test))：使用 R-squared 值評(píng)估模型的預(yù)測(cè)精度，其值越接近 1，表示模型預(yù)測(cè)精度越高。

temperature_data.csv 文件是一個(gè)溫度數(shù)據(jù)的 CSV 文件，可能包含以下字段：

day_of_year,year,temperature
1,2021,20.5
2,2021,21.6
3,2021,22.7
365,2021,19.4
1,2022,18.5
2,2022,19.6

day_of_year 列表示一年中的第幾天，year 列表示該天的年份，temperature 列表示該天的溫度。

運(yùn)行代碼得到下述截圖。

溫度預(yù)測(cè) 隨機(jī)森林 Python 寫(xiě)法

以下是隨機(jī)森林回歸的 Python 代碼：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 讀取溫度數(shù)據(jù)
data = pd.read_csv('temperature_data.csv')

# 分離特征和標(biāo)簽
X = data[['day_of_year', 'year']]
y = data['temperature']

# 分割數(shù)據(jù)集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 訓(xùn)練模型
reg = RandomForestRegressor(n_estimators=100).fit(X_train, y_train)

# 預(yù)測(cè)結(jié)果
y_pred = reg.predict(X_test)

# 評(píng)估模型
print('R-squared:', reg.score(X_test, y_test))

代碼說(shuō)明如下：

• import pandas as pd ：導(dǎo)入 pandas 庫(kù)。
• from sklearn.ensemble import RandomForestRegressor ：導(dǎo)入隨機(jī)森林回歸算法。
• from sklearn.model_selection import train_test_split ：導(dǎo)入數(shù)據(jù)集分割工具。
• data = pd.read_csv('temperature_data.csv') ：讀取溫度數(shù)據(jù)。
• X = data[['day_of_year', 'year']] ：提取特征數(shù)據(jù)（特征：一年中的第幾天和年份）。
• y = data['temperature'] ：提取標(biāo)簽數(shù)據(jù)（標(biāo)簽：溫度）。
• X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) ：將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，其中測(cè)試集的數(shù)據(jù)占 20%。
• reg = RandomForestRegressor(n_estimators=100).fit(X_train, y_train) ：使用隨機(jī)森林回歸算法訓(xùn)練模型。
• y_pred = reg.predict(X_test) ：使用訓(xùn)練好的模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)。
• print('R-squared:', reg.score(X_test, y_test))：使用 R-squared 值評(píng)估模型的預(yù)測(cè)精度，其值越接近 1，表示模型預(yù)測(cè)精度越高。

代碼運(yùn)行結(jié)果：

到此這篇關(guān)于Python使用機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)溫度預(yù)測(cè)詳解的文章就介紹到這了,更多相關(guān)Python溫度預(yù)測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論