Python使用機器學習模型實現(xiàn)溫度預測詳解

更新時間：2023年01月31日 15:08:26 作者：夢想橡皮擦

使用?Python?可以使用機器學習模型進行溫度預測。常用的模型有回歸分析、隨機森林等。本文就來和大家來了具體實現(xiàn)方法，希望對大家有所幫助

溫度預測回歸分析

以下代碼使用線性回歸算法對溫度數(shù)據(jù)進行預測：

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)

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

# 預測結(jié)果
y_pred = reg.predict(X_test)

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

導入必要的庫：

import pandas as pd：用于讀取 CSV 文件并處理數(shù)據(jù)。
import numpy as np：用于進行數(shù)值運算。
from sklearn.linear_model import LinearRegression：從 scikit-learn 庫導入線性回歸模型。
from sklearn.model_selection import train_test_split：從 scikit-learn 庫導入數(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，存儲到 X 變量中。
y = data['temperature']：將溫度數(shù)據(jù)中的 temperature 列作為標簽，存儲到 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)分為訓練集和測試集，其中測試集大小為 20%。

訓練模型：

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

預測結(jié)果：

y_pred = reg.predict(X_test)：使用測試集數(shù)據(jù)預測結(jié)果，并保存到 y_pred 變量中。

評估：

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

temperature_data.csv 文件是一個溫度數(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。

運行代碼得到下述截圖。

溫度預測隨機森林 Python 寫法

以下是隨機森林回歸的 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)

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

# 預測結(jié)果
y_pred = reg.predict(X_test)

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

代碼說明如下：

import pandas as pd ：導入 pandas 庫。
from sklearn.ensemble import RandomForestRegressor ：導入隨機森林回歸算法。
from sklearn.model_selection import train_test_split ：導入數(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'] ：提取標簽數(shù)據(jù)（標簽：溫度）。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) ：將數(shù)據(jù)集分為訓練集和測試集，其中測試集的數(shù)據(jù)占 20%。
reg = RandomForestRegressor(n_estimators=100).fit(X_train, y_train) ：使用隨機森林回歸算法訓練模型。
y_pred = reg.predict(X_test) ：使用訓練好的模型對測試集數(shù)據(jù)進行預測。
print('R-squared:', reg.score(X_test, y_test))：使用 R-squared 值評估模型的預測精度，其值越接近 1，表示模型預測精度越高。