練習 - 使用機器學習預測火箭發射的成功
最後,您可使用資料集中從未找到的資料來測試模型。
2020 年 7 月 30 日,NASA 於東部時間上午 7:50 從 Cape Canaveral 發射 Perseverance 漫遊者到火星。
收集模型的輸入資料:
- 有人員或沒有人員
- 高溫
- 低溫
- 平均溫度
- 發射時間的溫度
- 歷史高溫
- 歷史低溫
- 歷史平均溫度
- 發射時間的降雨
- 歷史平均降雨
- 風向
- 最大風速
- 能見度
- 發射時間的風速
- 歷史平均最大風速
- 歷史平均可見度
- Condition
您可在大部分的天氣網站上找到此資訊。 請記住,資料應全部都是數字。
下列範例使用假設的資料:
# ['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])
繼續改善
當以整個學習路徑中所述的方式繼續改善模型時,請留意其他 NASA 火箭發射。 查看模型是否可精確地預測結果。
您也可以使用與機器學習模型結合的天氣預測,以查看是否可在發射發生之前預測是否有延遲!