Übung: Vorhersagen eines erfolgreichen Raketenstarts mithilfe von Machine Learning
Nun ist es an der Zeit, das Modell mit Daten zu testen, die nie in Ihrem Dataset enthalten waren.
Am 30. Juli 2020 startete die NASA um 7:50 Uhr Eastern Time den Rover Perseverance von Cape Canaveral zum Mars.
Erfassen Sie die Eingabedaten für das Modell:
- Bemannt oder unbemannt
- Höchste Temperatur
- Niedrigste Temperatur
- Durchschnittliche Temperatur
- Temperatur zum Startzeitpunkt
- Historische höchste Temperatur
- Historische niedrigste Temperatur
- Historische durchschnittliche Temperatur
- Niederschlag zur Startzeit
- Historischer durchschnittlicher Niederschlag
- Windrichtung
- Maximale Windgeschwindigkeit
- Sicht
- Windgeschwindigkeit zur Startzeit
- Historische durchschnittliche maximale Windgeschwindigkeit
- Historische durchschnittliche Sicht
- Bedingung
Diese Informationen finden Sie auf den meisten Wetter-Webseiten. Beachten Sie, dass alle Daten numerisch sein müssen.
Im folgenden Beispiel werden hypothetische Daten verwendet:
# ['Crewed or Uncrewed', 'High Temp', 'Low Temp', 'Ave Temp',
# 'Temp at Launch Time', 'Hist High Temp', 'Hist Low Temp',
# 'Hist Ave Temp', 'Precipitation at Launch Time',
# 'Hist Ave Precipitation', 'Wind Direction', 'Max Wind Speed',
# 'Visibility', 'Wind Speed at Launch Time', 'Hist Ave Max Wind Speed',
# 'Hist Ave Visibility', 'Condition']
data_input = [ 1. , 75. , 68. , 71. , 0. , 75. , 55. , 65. , 0. , 0.08, 0. , 16. , 15. , 0. , 0. ]
tree_model.predict([data_input])
Weitere Verbesserung
Wenn Sie Ihr Modell auf die in diesem Lernpfad beschriebene Weise weiter verbessern möchten, sollten Sie weitere Raketenstarts der NASA berücksichtigen. Überprüfen Sie, ob Ihr Modell die Ergebnisse exakt vorhersagen kann.
Sie können auch Wettervorhersagen in Verbindung mit Ihrem Machine Learning-Modell verwenden, um festzustellen, ob Sie Verzögerungen noch vor dem Raketenstart vorhersagen können.