温度预测 python | 使用 Python 可以使用机器学习模型进行温度预测

news2024/9/23 15:31:55

使用 Python 可以使用机器学习模型进行温度预测。常用的模型有回归分析、随机森林等。使用前需要准备足够的历史数据并进行特征工程，构建模型并进行训练，最后使用预测结果。

文章目录

- 温度预测回归分析
- - 导入必要的库：
  - 读取温度数据：
  - 分离特征和标签：
  - 分割数据集：
  - 训练模型：
  - 预测结果：
  - 评估：
- 温度预测随机森林 Python 写法

温度预测回归分析

以下代码使用线性回归算法对温度数据进行预测：

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

# 读入温度数据
data = pd.read_csv('temperature_data.csv')

# 分离特征和标签
X = data[['day_of_year', 'year']]
y = data['temperature']

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
reg = LinearRegression().fit(X_train, y_train)

# 预测结果
y_pred = reg.predict(X_test)

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

导入必要的库：

import pandas as pd：用于读取 CSV 文件并处理数据。
import numpy as np：用于进行数值运算。
from sklearn.linear_model import LinearRegression：从 scikit-learn 库导入线性回归模型。
from sklearn.model_selection import train_test_split：从 scikit-learn 库导入数据分割函数。

读取温度数据：

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

分离特征和标签：

X = data[['day_of_year', 'year']]：将温度数据中的 day_of_year 和 year 列作为特征，存储到 X 变量中。
y = data['temperature']：将温度数据中的 temperature 列作为标签，存储到 y 变量中。

分割数据集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)：使用 train_test_split() 函数将数据分为训练集和测试集，其中测试集大小为 20%。

训练模型：

reg = LinearRegression().fit(X_train, y_train)：使用训练集数据训练线性回归模型，并保存到 reg 变量中。

预测结果：

y_pred = reg.predict(X_test)：使用测试集数据预测结果，并保存到 y_pred 变量中。

评估：

print('R-squared:', reg.score(X_test, y_test))：使用 R-squared 值评估模型的预测精度，其值越接近 1，表示模型预测精度越高。

temperature_data.csv 文件是一个温度数据的 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 列表示一年中的第几天，year 列表示该天的年份，temperature 列表示该天的温度。

运行代码得到下述截图。

温度预测 python | 使用 Python 可以使用机器学习模型进行温度预测

温度预测随机森林 Python 写法

以下是随机森林回归的 Python 代码：

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

# 读取温度数据
data = pd.read_csv('temperature_data.csv')

# 分离特征和标签
X = data[['day_of_year', 'year']]
y = data['temperature']

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
reg = RandomForestRegressor(n_estimators=100).fit(X_train, y_train)

# 预测结果
y_pred = reg.predict(X_test)

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

代码说明如下：

import pandas as pd ：导入 pandas 库。
from sklearn.ensemble import RandomForestRegressor ：导入随机森林回归算法。
from sklearn.model_selection import train_test_split ：导入数据集分割工具。
data = pd.read_csv('temperature_data.csv') ：读取温度数据。
X = data[['day_of_year', 'year']] ：提取特征数据（特征：一年中的第几天和年份）。
y = data['temperature'] ：提取标签数据（标签：温度）。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) ：将数据集分为训练集和测试集，其中测试集的数据占 20%。
reg = RandomForestRegressor(n_estimators=100).fit(X_train, y_train) ：使用随机森林回归算法训练模型。
y_pred = reg.predict(X_test) ：使用训练好的模型对测试集数据进行预测。
print('R-squared:', reg.score(X_test, y_test))：使用 R-squared 值评估模型的预测精度，其值越接近 1，表示模型预测精度越高。