第R3周：天气预测

最新推荐文章于 2024-04-22 10:53:28 发布
最新推荐文章于 2024-04-22 10:53:28 发布
阅读量759 收藏 8
点赞数 1
分类专栏： 深度学习记录 文章标签： python tensorflow 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47272689/article/details/127547678
版权

任务说明：该数据集提供了来自澳大利亚许多地点的大约 10 年的每日天气观测数据。你需要做的是根据这些数据对RainTomorrow进行一个预测，这次任务任务与以往的不同，我增加了探索式数据分析（EDA），希望这部分内容可以帮助到大家。

一.导入数据

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation,Dropout
from tensorflow.keras.callbacks import EarlyStopping
from sklearn.metrics import classification_report,confusion_matrix
from sklearn.metrics import r2_score
from sklearn.metrics import mean_absolute_error , mean_absolute_percentage_error , mean_squared_error

data = pd.read_csv("weatherAUS.csv")
df   = data.copy()
data.head()
DateLocationMinTempMaxTempRainfallEvaporationSunshineWindGustDirWindGustSpeedWindDir9am...Humidity9amHumidity3pmPressure9amPressure3pmCloud9amCloud3pmTemp9amTemp3pmRainTodayRainTomorrow
02008-12-01Albury13.422.90.6NaNNaNW44.0W...71.022.01007.71007.18.0NaN16.921.8NoNo
12008-12-02Albury7.425.10.0NaNNaNWNW44.0NNW...44.025.01010.61007.8NaNNaN17.224.3NoNo
22008-12-03Albury12.925.70.0NaNNaNWSW46.0W...38.030.01007.61008.7NaN2.021.023.2NoNo
32008-12-04Albury9.228.00.0NaNNaNNE24.0SE...45.016.01017.61012.8NaNNaN18.126.5NoNo
42008-12-05Albury17.532.31.0NaNNaNW41.0ENE...82.033.01010.81006.07.08.017.829.7NoNo

5 rows × 23 columns

data.describe()
MinTempMaxTempRainfallEvaporationSunshineWindGustSpeedWindSpeed9amWindSpeed3pmHumidity9amHumidity3pmPressure9amPressure3pmCloud9amCloud3pmTemp9amTemp3pm
count143975.000000144199.000000142199.00000082670.00000075625.000000135197.000000143693.000000142398.000000142806.000000140953.000000130395.00000130432.00000089572.00000086102.000000143693.000000141851.00000
mean12.19403423.2213482.3609185.4682327.61117840.03523014.04342618.66265768.88083151.5391161017.649941015.2558894.4474614.50993016.99063121.68339
std6.3984957.1190498.4780604.1937043.78548313.6070628.9153758.80980019.02916420.7959027.106537.0374142.8871592.7203576.4887536.93665
min-8.500000-4.8000000.0000000.0000000.0000006.0000000.0000000.0000000.0000000.000000980.50000977.1000000.0000000.000000-7.200000-5.40000
25%7.60000017.9000000.0000002.6000004.80000031.0000007.00000013.00000057.00000037.0000001012.900001010.4000001.0000002.00000012.30000016.60000
50%12.00000022.6000000.0000004.8000008.40000039.00000013.00000019.00000070.00000052.0000001017.600001015.2000005.0000005.00000016.70000021.10000
75%16.90000028.2000000.8000007.40000010.60000048.00000019.00000024.00000083.00000066.0000001022.400001020.0000007.0000007.00000021.60000026.40000
max33.90000048.100000371.000000145.00000014.500000135.000000130.00000087.000000100.000000100.0000001041.000001039.6000009.0000009.00000040.20000046.70000
data.dtypes

Date              object
Location          object
MinTemp          float64
MaxTemp          float64
Rainfall         float64
Evaporation      float64
Sunshine         float64
WindGustDir       object
WindGustSpeed    float64
WindDir9am        object
WindDir3pm        object
WindSpeed9am     float64
WindSpeed3pm     float64
Humidity9am      float64
Humidity3pm      float64
Pressure9am      float64
Pressure3pm      float64
Cloud9am         float64
Cloud3pm         float64
Temp9am          float64
Temp3pm          float64
RainToday         object
RainTomorrow      object
dtype: object

data['Date']=pd.to_datetime(data['Date'])
data['Date']

0        2008-12-01
1        2008-12-02
2        2008-12-03
3        2008-12-04
4        2008-12-05
            ...    
145455   2017-06-21
145456   2017-06-22
145457   2017-06-23
145458   2017-06-24
145459   2017-06-25
Name: Date, Length: 145460, dtype: datetime64[ns]

data['year']=data['Date'].dt.year
data['Month']=data['Date'].dt.month
data['day']=data['Date'].dt.day

data.head()
DateLocationMinTempMaxTempRainfallEvaporationSunshineWindGustDirWindGustSpeedWindDir9am...Pressure3pmCloud9amCloud3pmTemp9amTemp3pmRainTodayRainTomorrowyearMonthday
02008-12-01Albury13.422.90.6NaNNaNW44.0W...1007.18.0NaN16.921.8NoNo2008121
12008-12-02Albury7.425.10.0NaNNaNWNW44.0NNW...1007.8NaNNaN17.224.3NoNo2008122
22008-12-03Albury12.925.70.0NaNNaNWSW46.0W...1008.7NaN2.021.023.2NoNo2008123
32008-12-04Albury9.228.00.0NaNNaNNE24.0SE...1012.8NaNNaN18.126.5NoNo2008124
42008-12-05Albury17.532.31.0NaNNaNW41.0ENE...1006.07.08.017.829.7NoNo2008125

5 rows × 26 columns

data.drop('Date',inplace=True,axis=1)

data.columns

Index(['Location', 'MinTemp', 'MaxTemp', 'Rainfall', 'Evaporation', 'Sunshine',
       'WindGustDir', 'WindGustSpeed', 'WindDir9am', 'WindDir3pm',
       'WindSpeed9am', 'WindSpeed3pm', 'Humidity9am', 'Humidity3pm',
       'Pressure9am', 'Pressure3pm', 'Cloud9am', 'Cloud3pm', 'Temp9am',
       'Temp3pm', 'RainToday', 'RainTomorrow', 'year', 'Month', 'day'],
      dtype='object')

二.探索式数据分析

1.数据相关性探索

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt=‘.2g’,
annot_kws=None,linewidths=0, linecolor=‘white’, cbar=True, cbar_kws=None, cbar_ax=None, square=False,
xticklabels=‘auto’, yticklabels=‘auto’,mask=None, ax=None, **kwargs)

可参考：https://blog.csdn.net/weixin_46649052/article/details/115231716

square：布尔值，可选参数，如果为True，则将坐标轴方向设置为“equal”，以使每个单元格为方形。

annot: 布尔值或者矩形数据，可选参数，如果为True，则在每个热力图单元格中写入数据值。 如果数组的形状与data相同，则使用它来代替原始数据注释热力图

fmt：字符串，可选参数，添加注释时要使用的字符串格式代码。

plt.figure(figsize=(15,13))
# data.corr()表示了data中的两个变量之间的相关性
ax = sns.heatmap(data.corr(), square=True, annot=True, fmt='.2f')
ax.set_xticklabels(ax.get_xticklabels(), rotation=90)          
plt.show()

在这里插入图片描述

2.是否会下雨

sns.set(style="darkgrid")
plt.figure(figsize=(4,3))
sns.countplot(x='RainTomorrow',data=data)

<AxesSubplot:xlabel='RainTomorrow', ylabel='count'>

在这里插入图片描述

plt.figure(figsize=(4,3))
sns.countplot(x='RainToday',data=data)

<AxesSubplot:xlabel='RainToday', ylabel='count'>

在这里插入图片描述

x=pd.crosstab(data['RainTomorrow'],data['RainToday'])
x
RainTodayNoYes
RainTomorrow
No9272816858
Yes1660414597
y=x/x.transpose().sum().values.reshape(2,1)*100
y
RainTodayNoYes
RainTomorrow
No84.61664815.383352
Yes53.21624346.783757

● 如果今天不下雨，那么明天下雨的机会 = 15%

● 如果今天下雨明天下雨的机会 = 46%

y.plot(kind="bar",figsize=(4,3),color=['#006666','#d279a6']);

在这里插入图片描述

3.地理位置和下雨的关系

x=pd.crosstab(data['Location'],data['RainToday']) 
# 获取每个城市下雨天数和非下雨天数的百分比
x
RainTodayNoYes
Location
Adelaide2402689
Albany2114902
Albury2394617
AliceSprings2788244
BadgerysCreek2345583
Ballarat2247781
Bendigo2472562
Brisbane2452709
Cairns2038950
Canberra2789629
Cobar2602386
CoffsHarbour2084869
Dartmoor2021921
Darwin2341852
GoldCoast2205775
Hobart2426762
Katherine1295265
Launceston2328700
Melbourne1799636
MelbourneAirport2356653
Mildura2680327
Moree2460394
MountGambier2110921
MountGinini2088819
Newcastle2224731
Nhil1327242
NorahHead2121808
NorfolkIsland2045919
Nuriootpa2411592
PearceRAAF2257505
Penrith2369595
Perth2548645
PerthAirport2442567
Portland19021094
Richmond2391560
Sale2357643
SalmonGums2483472
Sydney2471866
SydneyAirport2231774
Townsville2513520
Tuggeranong2430568
Uluru1406116
WaggaWagga2440536
Walpole1870949
Watsonia2261738
Williamtown1853700
Witchcliffe2073879
Wollongong2269713
Woomera2789202
y=x/x.sum(axis=1).values.reshape((-1, 1))*100
# 按每个城市的雨天百分比排序
y=y.sort_values(by='Yes',ascending=True )

color=['#cc6699','#006699','#006666','#862d86','#ff9966'  ]
y.Yes.plot(kind="barh",figsize=(15,20),color=color)

<AxesSubplot:ylabel='Location'>

在这里插入图片描述

位置影响下雨，对于 Portland 来说，有 36% 的时间在下雨，而对于 Woomers 来说，只有6%的时间在下雨

4.湿度和压力对下雨的影响

data.columns

Index(['Location', 'MinTemp', 'MaxTemp', 'Rainfall', 'Evaporation', 'Sunshine',
       'WindGustDir', 'WindGustSpeed', 'WindDir9am', 'WindDir3pm',
       'WindSpeed9am', 'WindSpeed3pm', 'Humidity9am', 'Humidity3pm',
       'Pressure9am', 'Pressure3pm', 'Cloud9am', 'Cloud3pm', 'Temp9am',
       'Temp3pm', 'RainToday', 'RainTomorrow', 'year', 'Month', 'day'],
      dtype='object')

plt.figure(figsize=(8,6))
sns.scatterplot(data=data,x='Pressure9am',y='Pressure3pm',hue='RainTomorrow');

在这里插入图片描述

plt.figure(figsize=(8,6))
sns.scatterplot(data=data,x='Humidity9am',y='Humidity3pm',hue='RainTomorrow');

在这里插入图片描述

低压与高湿度会增加第二天下雨的概率，尤其是下午 3 点的空气湿度。

5.气温对下雨的影响

plt.figure(figsize=(8,6))
sns.scatterplot(x='MaxTemp', y='MinTemp', data=data, hue='RainTomorrow');

在这里插入图片描述

结论：当一天的最高气温和最低气温接近时，第二天下雨的概率会增加。

三.数据预处理

1.处理缺损值

# 每列中缺失数据的百分比
data.isnull().sum()/data.shape[0]*100

Location          0.000000
MinTemp           1.020899
MaxTemp           0.866905
Rainfall          2.241853
Evaporation      43.166506
Sunshine         48.009762
WindGustDir       7.098859
WindGustSpeed     7.055548
WindDir9am        7.263853
WindDir3pm        2.906641
WindSpeed9am      1.214767
WindSpeed3pm      2.105046
Humidity9am       1.824557
Humidity3pm       3.098446
Pressure9am      10.356799
Pressure3pm      10.331363
Cloud9am         38.421559
Cloud3pm         40.807095
Temp9am           1.214767
Temp3pm           2.481094
RainToday         2.241853
RainTomorrow      2.245978
year              0.000000
Month             0.000000
day               0.000000
dtype: float64

# 在该列中随机选择数进行填充
lst=['Evaporation','Sunshine','Cloud9am','Cloud3pm']
for col in lst:
    fill_list = data[col].dropna()
    data[col] = data[col].fillna(pd.Series(np.random.choice(fill_list, size=len(data.index))))

s = (data.dtypes == "object")
object_cols = list(s[s].index)
object_cols

['Location',
 'WindGustDir',
 'WindDir9am',
 'WindDir3pm',
 'RainToday',
 'RainTomorrow']

# inplace=True：直接修改原对象，不创建副本
# data[i].mode()[0] 返回频率出现最高的选项，众数

for i in object_cols:
    data[i].fillna(data[i].mode()[0], inplace=True)

t = (data.dtypes == "float64")
num_cols = list(t[t].index)
num_cols

['MinTemp',
 'MaxTemp',
 'Rainfall',
 'Evaporation',
 'Sunshine',
 'WindGustSpeed',
 'WindSpeed9am',
 'WindSpeed3pm',
 'Humidity9am',
 'Humidity3pm',
 'Pressure9am',
 'Pressure3pm',
 'Cloud9am',
 'Cloud3pm',
 'Temp9am',
 'Temp3pm']

# .median(), 中位数
for i in num_cols:
    data[i].fillna(data[i].median(), inplace=True)

data.isnull().sum()

Location         0
MinTemp          0
MaxTemp          0
Rainfall         0
Evaporation      0
Sunshine         0
WindGustDir      0
WindGustSpeed    0
WindDir9am       0
WindDir3pm       0
WindSpeed9am     0
WindSpeed3pm     0
Humidity9am      0
Humidity3pm      0
Pressure9am      0
Pressure3pm      0
Cloud9am         0
Cloud3pm         0
Temp9am          0
Temp3pm          0
RainToday        0
RainTomorrow     0
year             0
Month            0
day              0
dtype: int64

2.构建数据集

from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()
for i in object_cols:
    data[i] = label_encoder.fit_transform(data[i])

X = data.drop(['RainTomorrow','day'],axis=1).values
y = data['RainTomorrow'].values

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.25,random_state=101)

scaler = MinMaxScaler()
scaler.fit(X_train)
X_train = scaler.transform(X_train)
X_test  = scaler.transform(X_test)

四.预测是否下雨

1.搭建神经网路

from tensorflow.keras.optimizers import Adam

model = Sequential()
model.add(Dense(units=24,activation='tanh',))
model.add(Dense(units=18,activation='tanh'))
model.add(Dense(units=23,activation='tanh'))
model.add(Dropout(0.5))
model.add(Dense(units=12,activation='tanh'))
model.add(Dropout(0.2))
model.add(Dense(units=1,activation='sigmoid'))

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss='binary_crossentropy',
              optimizer=optimizer,
              metrics="accuracy")

early_stop = EarlyStopping(monitor='val_loss', 
                           mode='min',
                           min_delta=0.001, 
                           verbose=1, 
                           patience=25,
                           restore_best_weights=True)

2.模型训练

model.fit(x=X_train, 
          y=y_train, 
          validation_data=(X_test, y_test), verbose=1,
          callbacks=[early_stop],
          epochs = 10,
          batch_size = 32
)

Epoch 1/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.4570 - accuracy: 0.7996 - val_loss: 0.3916 - val_accuracy: 0.8283
Epoch 2/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3962 - accuracy: 0.8304 - val_loss: 0.3774 - val_accuracy: 0.8356
Epoch 3/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3887 - accuracy: 0.8351 - val_loss: 0.3776 - val_accuracy: 0.8379
Epoch 4/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3840 - accuracy: 0.8372 - val_loss: 0.3724 - val_accuracy: 0.8389
Epoch 5/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3814 - accuracy: 0.8382 - val_loss: 0.3734 - val_accuracy: 0.8394
Epoch 6/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3794 - accuracy: 0.8391 - val_loss: 0.3697 - val_accuracy: 0.8399
Epoch 7/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3791 - accuracy: 0.8393 - val_loss: 0.3692 - val_accuracy: 0.8408
Epoch 8/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3774 - accuracy: 0.8395 - val_loss: 0.3686 - val_accuracy: 0.8411
Epoch 9/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3771 - accuracy: 0.8398 - val_loss: 0.3680 - val_accuracy: 0.8410
Epoch 10/10
3410/3410 [==============================] - 8s 2ms/step - loss: 0.3767 - accuracy: 0.8395 - val_loss: 0.3677 - val_accuracy: 0.8411





<tensorflow.python.keras.callbacks.History at 0x1cf2a1c6d48>

3.结果可视化

import matplotlib.pyplot as plt

acc = model.history.history['accuracy']
val_acc = model.history.history['val_accuracy']

loss = model.history.history['loss']
val_loss = model.history.history['val_loss']

epochs_range = range(10)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述
希言不吸烟哟
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
澳大利亚降雨预测（基于四种机器学习算法）
weixin_44505949的博客
03-06 7026
数据来源 澳大利亚降雨预测数据集来自于Kaggle网站： https://www.kaggle.com/jsphyg/weather-dataset-rattle-package 该数据集该数据集包含来自许多澳大利亚气象站的大约10年的每日天气观测以及天气预报，“RainTomorrow”是要预测的目标变量，这意味着-第二天下雨了，如果当天的降雨量为1mm或更大，则此列为“是”。气象信息包括日期，城市，最低温度，最高温度，降雨量，蒸发量，阳光（一天中阳光明媚的小时数），一天中最强阵风、9am、3pm的风向和
神经网络预测天气的气温数据集
08-12
神经网络预测天气的气温数据集，包括了：year,moth,day,week分别表示的具体的时间；temp_2：前天的最高温度值；temp_1：昨天的最高温度值；average：在历史中，每年这一天的平均最高温度值；actual：这就是我们的标签值了，当天的真实最高温度；friend：这列用不到暂不用管
Python 天气预测
m0_58477260的博客
04-22 717
Python天气预测通常涉及到数据采集、数据预处理、选择和训练模型、以及预测和可视化等步骤。以下是使用Python进行天气预测的一般流程：以下是使用随机森林模型进行天气预测的简单示例代码： 可视化示例 使用pyecharts库进行天气数据的可视化： 请注意，上述代码仅为示例，实际应用中需要根据具体的数据集和预测目标进行相应的调整。此外，天气预测是一个复杂的问题，可能需要考虑多种因素和使用更复杂的模型。🌱 亲爱的读者，非常感谢你每一次的停留和阅读！你的支持是我们前行的最大动力！🙏🌐 在这茫茫网海中，有你
神经网络天气预测
lichji2016的博客
09-04 2999
本文采用pytorch进行天气预报预测，掌握神经网络模型训练的基本步骤 文章目录前言一、预测思路分析二、使用步骤1.引入库2.读入数据总结 前言 提示：本文通过采集部分天气预报数据，采用神经网络对相关数据进行预测分析，通过模型训练，掌握采用pytorh框架进行网络训练 提示：以下是本篇文章正文内容，下面案例可供参考 一、预测思路分析 步骤： （1）功能函数导入 import numpy as np import pandas as pd import matplotlib.pyplot as plt i
使用神经网络实现对天气的预测
qq_35653657的博客
07-26 7608
使用神经网络实现对天气的预测
基于神经网络的天气质量指数预测
热门推荐
高山
07-24 1万+
基于神经网络的空气质量指数预测 1 项目背景 1背景 空气质量对我们日常生活出行、身体健康有重要影响。因此实现空气质量的预测具有重要意义，并且通过神经网络的方法将能够优化传统统计学的方法。 2目标 通过matlab编程，实现数据库的建立、数据处理、神经网络建立、网络训练，最终实现预测未来第四小时的6种污染物浓度数值。本文下例以预测co的 污染物浓度为例。 2 项目方法 1 数据相关性分析 网络获取到的污染物浓度数据通常为有单位的如mg/m^3 而且以当前小时的六组数据co,no,o3,pm10,pm2.5
记录自己使用循环神经网络对天气进行预测的过程
qq_53500716的博客
06-01 1928
本次实验中使用到的数据来自链接: http://www.tianqihoubao.com/lishi/，选择的城市是广西来宾，将会用到2011年至2021年的数据，机器学习的框架是tensorflow2.3.0。 首先我们得把数据抓取下来，这里将用到python爬虫中最常见的requests库和BeautifulSoup库，下面是数据爬取的craw.py 下面说一下思路： 这个网站对于每一个月的数据都会做成一个网页，而且格式也是固定的形式，这样我们只需要两个for循环就能得到所有想要的网页网址...
weatherx：天气测试数据
02-09
例如，可以构建一个模型预测明天的最高温度，或者判断未来一周是否会下雨。在训练模型时，需要注意特征选择、数据平衡、过拟合与欠拟合等问题。验证模型性能通常使用交叉验证和不同评估指标，如均方误差（MSE）、...
建材周报2019年第29期：天气好转，水泥价格进入上涨通道.pdf
08-25
1-7月水泥需求增速达到7.2%，超出预期，预测全年水泥需求增速在3-5%，有可能超出预期，从而强化水泥行业的基本面。 对于水泥企业而言，西北地区的业绩弹性较高，南部龙头企业的业绩预计将稳健增长。推荐关注的水泥...
温度预测：未来24小时温度预测； 每 15 分钟。-matlab开发 我使用 1 周的温度
最新发布
06-17
标题中的“温度预测：未来24小时温度预测；每15分钟。”表明这是一个关于使用MATLAB进行短期天气预报，特别是预测未来24小时内每隔15分钟的温度变化的项目。MATLAB是一种强大的数学计算和数据分析软件，常用于科学...
电力负荷预测数据集.7z
06-01
电力负荷通常会受到多种因素的影响，如天气条件、季节变化、经济活动、节假日效应等，因此预测模型需要考虑这些因素的复杂交互。 这个数据集可能包含以下几个方面的信息： 1. **历史负荷数据**：这是进行预测的...
BP神经网络实现气温学习和预测代码及代码分析(python+tensorflow).zip
12-09
BP神经网络实现气温学习和预测代码及代码分析(python+tensflow)，用python+tensflow实现气温的预测，本代码包含数据集，不用重新下载，可以自行设置测试学习次数，误差范围，点开导包，运行即可使用，并且附上了因版本不同，可能出现导包错误的解决方法。我实在是即稳又贴心。
基于循环神经网络的日内预测
03-06
循环神经网络的python应用代码。可参考。但注释较少，适合一定基础的，下载时请慎重。
Rain-in-Australia:预测明天有没有降雨
07-24
澳大利亚的雨 预测明天有没有降雨
澳洲大火数据可视化-数据集
03-19
fire_nrt_M6_96619.csv fire_archive_M6_96619.csv fire_archive_V1_96617.csv fire_nrt_V1_96617.csv
澳大利亚电力负荷与价格预测数据.zip
03-07
电力负荷与价格预测是能源管理领域中的核心任务，对于电力市场运营、电力供需平衡以及电网规划具有重要意义。这个名为"澳大利亚电力负荷与价格预测数据.zip"的压缩包提供了丰富的资源，用于研究和分析澳大利亚的电力...
ab实验置信度_为什么您的Ab测试需要置信区间
weixin_26705191的博客
09-16 3149
ab实验置信度by Aloïs Bissuel, Vincent Grosbois and Benjamin Heymann AloïsBissuel，Vincent Grosbois和Benjamin Heymann撰写 The recent media debate on COVID-19 drugs is a unique occasion to discuss why decision ...
pytorch的使用：使用神经网络进行气温预测
qq_52053775的博客
08-04 1405
数据表中年月日都是时间方面的特征，我们将它转换为时间类型的数据，方便我们的绘图展示 我们再用图直观的将数据展示出来： 将文本数据转换为独热编码： 在特征中去掉标签列： 对数据进行标准化处理：包括：权重参数初始化、计算隐层、加入激活函数、预测结果、计算损失、返向传播计算、更新参数。另外，每次迭代都得记得清空梯度，否则梯度会累加 直接使用nn.Model 训练网络：...
机器学习算法-支持向量机SVM案例Rain in Australia预测明天是否下雨
AKlianwenlan的博客
09-11 4392
案例分析思路一、获取数据二、解读数据三、数据探索1.导入相关包2.导入数据和查看数据3.随机抽样4.将样本特征和标签分开四、数据清洗1.去重2.缺失值处理三级目录 一、获取数据 本案例中所用的数据集为Kaggle提供的澳大利亚气象局十年的气象数据，共142193条数据。本文采用SVM、随机森林进行预测，仅供学习交流。 二、解读数据 数据大小：12.9M，142193条数据； 数据格式：csv 数据特征：总共有23个特征，下图为各特征的中文释义。其中RainTomorrow为目标变量Y，Cloud9am和Cl

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值