Exercício – Prever o sucesso do lançamento de um foguetão com a aprendizagem automática
Por fim, chegou o momento de testar o modelo com dados que nunca foram encontrados no conjunto de dados.
A 30 de julho de 2020, a NASA lançou o Perseverance rover com destino a Marte a partir de Cape Canaveral às 7:50, Hora do Leste.
Reúna os dados de entrada para o modelo:
- Tripulado ou Não Tripulado
- Temp. Elevada
- Temp. Baixa
- Temp. Média
- Temp. na Hora do Lançamento
- Hist. Temp. Elevada
- Hist. Temp. Baixa
- Hist. Temp. Média
- Precipitação na Hora do Lançamento
- Hist. Média Precipitação
- Direção do Vento
- Velocidade Máx. Vento
- Visibilidade
- Velocidade do Vento na Hora do Lançamento
- Hist. Média Velocidade Máx. Vento
- Hist. Média Visibilidade
- Condição
Poderá encontrar estas informações na maioria dos sites meteorológicos. Lembre-se de que os dados devem ser todos numéricos.
Os seguintes exemplos utilizam dados 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])
Continuar a melhorar
À medida que continua a melhorar o modelo nas formas descritas ao longo deste percurso de aprendizagem, esteja atento a outros lançamentos de foguetões da NASA. Veja se o modelo consegue prever os resultados com precisão.
Também pode utilizar as predições meteorológicas combinadas com o modelo de machine learning para ver se pode prever a existência de um atraso mesmo antes do lançamento ocorrer!