Упражнение. Прогнозирование успешности запуска ракеты с помощью машинного обучения
Наконец, пора протестировать вашу модель, используя данные, которые никогда не были обнаружены в вашем наборе данных.
30 июля 2020 г. в 7:50 утра по восточному времени НАСА запустила исследовательский корабль Perseverance на Марс с мыса Канаверал.
Соберите входные данные для модели:
- Управляемый или неуправляемый
- Высокая температура
- Низкая температура
- Средняя температура
- Температура во время запуска
- Самая высокая температура за прошлые периоды
- Самая низкая температура за прошлые периоды
- Средняя температура за прошлые периоды
- Осадки во время запуска
- Среднее количество осадков за прошлые периоды
- Направление ветра
- Максимальная скорость ветра
- Visibility
- Скорость ветра во время запуска
- Средняя максимальная скорость ветра за прошлые периоды
- Средняя видимость за прошлые периоды
- Condition
Эту информацию можно найти на большинстве метеорологических сайтов. Запомните, что можно использовать исключительно числовые данные.
В следующем примере используются гипотетические данные:
# ['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])
Продолжить совершенствовать модель
По мере того как вы продолжаете совершенствовать модель способами, описанными в этой схеме обучения, следите за другими запусками ракет НАСА. Проверьте, может ли ваша модель точно прогнозировать результаты.
Кроме того, можно использовать прогнозы погоды в сочетании с моделью машинного обучения, чтобы проверить, можно ли спрогнозировать задержку еще до начала запуска!