用python+sklearn(机器学习)实现天气预报数据 模型和使用 |
您所在的位置：网站首页 › python天气预报可视化分析报告 › 用python+sklearn(机器学习)实现天气预报数据 模型和使用 |
|
用python+sklearn机器学习实现天气预报 模型和使用
项目地址
系列教程
0.前言
1.建立模型
a.准备
引入所需要的头文件
选择模型
选择评估方法
获取数据集
b.建立模型
c.获取模型评估结果
d.用joblib模块保存模型
e.封装
2.总控
代码
使用方法
3.最后效果
项目地址
github项目:PYWeatherReport 系列教程机器学习参考篇: python+sklearn+kaggle机器学习 用python+sklearn(机器学习)实现天气预报 准备 用python+sklearn(机器学习)实现天气预报数据 数据 用python+sklearn(机器学习)实现天气预报 模型和使用 0.前言在上一篇教程里我们已经获取了所需要的全部数据，包括训练数据集和测试数据集，使用ProcessData()调用，所以接下来写模型的建立和预测 1.建立模型没段代码在文章后面都会整合成一段，分段展示只是便于阅读 a.准备 引入所需要的头文件 from sklearn.ensemble import RandomForestRegressor # 随机树森林模型 import joblib # 保存模型为pkl from sklearn.metrics import mean_absolute_error # MAE评估方法 from ProcessData import ProcessData # 取数据 选择模型首先我们先要从模型里选择一项适合这次场景的模型，比如从决策树，随机树森林，RGB模型等等中选择，本处选用的随机树森林也就是RandomForest 选择评估方法目前有许多的模型准确率评估方法，本处使用的是MAE，也就是mean_absolute_error 平均错误数值，就每个预测的数值离正确数值错误数值的平均数 获取数据集这次可以从ProcessData()获取到全部的被预处理后的数据，如 # 取到数据 [X_train, X_valid, y_train, y_valid, X_test] = ProcessData() b.建立模型 # 用XGB模型，不过用有bug # modelX = XGBRegressor(n_estimators=1000, learning_rate=0.05, random_state=0, n_jobs=4) # # model.fit(X_train_3, y_train_3) # # model.fit(X_train_2, y_train_2) # col = ["Ave_t", "Max_t", "Min_t", "Prec","SLpress", "Winddir", "Windsp", "Cloud"] # modelX.fit(X_train, y_train, # early_stopping_rounds=5, # eval_set=[(X_valid, y_valid)], # verbose=False) # 随机树森林模型 model = RandomForestRegressor |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |