Ejercicio: Predicción del éxito del lanzamiento de un cohete mediante el aprendizaje automático
Por último, es el momento de probar el modelo con datos que nunca han estado en el conjunto de datos.
El 30 de julio de 2020, la NASA lanzó el vehículo Perseverance a Marte desde Cabo Cañaveral a las 7:50, hora oriental.
Recopile los datos de entrada para el modelo:
- Con o sin tripulación
- Temperatura máxima
- Temperatura mínima
- Temperatura media
- Temperatura en el momento del lanzamiento
- Historial de temperaturas máximas
- Historial de temperaturas mínimas
- Historial de temperaturas medias
- Precipitación en el momento del lanzamiento
- Historial de precipitación media
- Dirección del viento
- Velocidad máxima del viento
- Visibilidad
- Velocidad del viento en el momento del lanzamiento
- Historial de la velocidad máxima del viento
- Historial de visibilidad media
- Condición
Puede encontrar esta información en la mayoría de los sitios meteorológicos. Recuerde que todos los datos deben ser numéricos.
En el ejemplo siguiente se usan datos hipotéticos:
# ['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])
Continuidad de la mejora
A medida que siga mejorando el modelo como se describe en esta ruta de aprendizaje, puede consultar otros lanzamientos de cohetes de la NASA. Vea si el modelo puede predecir con precisión los resultados.
También puede usar las predicciones meteorológicas combinadas con el modelo de Machine Learning para ver si puede predecir un retraso incluso antes de que se realicen los lanzamientos.