用python+sklearn(機器學習)實現天氣預報數據 模型和使用

用python+sklearn機器學習實現天氣預報 模型和使用

• 項目地址
• 系列教程
• 0.前言
• 1.創建模型
• • a.準備
  • • 引入所須要的頭文件
    • 選擇模型
    • 選擇評估方法
    • 獲取數據集
  • b.創建模型
  • c.獲取模型評估結果
  • d.用joblib模塊保存模型
  • e.封裝
• 2.總控
• • 代碼
  • 使用方法
• 3.最後效果

項目地址

github項目:PYWeatherReport

系列教程

機器學習參考篇: python+sklearn+kaggle機器學習
用python+sklearn(機器學習)實現天氣預報 準備
用python+sklearn(機器學習)實現天氣預報數據 數據
用python+sklearn(機器學習)實現天氣預報 模型和使用

0.前言

在上一篇教程裏咱們已經獲取了所須要的所有數據，包括訓練數據集和測試數據集，使用ProcessData()調用，因此接下來寫模型的創建和預測

1.創建模型

沒段代碼在文章後面都會整合成一段，分段展現只是便於閱讀

a.準備

引入所須要的頭文件

from sklearn.ensemble import RandomForestRegressor # 隨機樹森林模型
import joblib # 保存模型爲pkl
from sklearn.metrics import mean_absolute_error # MAE評估方法
from ProcessData import ProcessData # 取數據

選擇模型

首先咱們先要從模型裏選擇一項適合此次場景的模型，好比從決策樹，隨機樹森林，RGB模型等等中選擇，本處選用的隨機樹森林也就是RandomForest

選擇評估方法

目前有許多的模型準確率評估方法，本處使用的是MAE，也就是mean_absolute_error 平均錯誤數值，就每一個預測的數值離正確數值錯誤數值的平均數

獲取數據集

此次能夠從ProcessData()獲取到所有的被預處理後的數據，如

# 取到數據
    [X_train, X_valid, y_train, y_valid, X_test] = ProcessData()

b.創建模型

# 用XGB模型，不過用有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)
    # 隨機樹森林模型
    model = RandomForestRegressor(random_state=0, n_estimators=1001)
    # 訓練模型
    model.fit(X_train, y_train)

其中n_estimators是可本身選的，不過在屢次調試後獲得1001是MAE最優

c.獲取模型評估結果

# 用MAE評估
    score = mean_absolute_error(y_valid, preds)

d.用joblib模塊保存模型

保存後的模型便於傳播便可屢次使用，但當前環境下的需求不大但我仍是寫了

# 保存模型到本地
    joblib.dump(model, a)

e.封裝

GetModel.py

# -*- coding: utf-8 -*-
# @Time: 2020/12/16
# @Author: Eritque arcus
# @File: GetModel.py
from sklearn.ensemble import RandomForestRegressor
import joblib
from sklearn.metrics import mean_absolute_error
from ProcessData import ProcessData


# 訓練並保存模型
def GetModel(a="Model.pkl"):
    """ :param a: 模型文件名 :return: [socre: MAE評估結果, X_test: 預測數據集] """
    # 取到數據
    [X_train, X_valid, y_train, y_valid, X_test] = ProcessData()
    # 用XGB模型，不過用有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)
    # 隨機樹森林模型
    model = RandomForestRegressor(random_state=0, n_estimators=1001)
    # 訓練模型
    model.fit(X_train, y_train)
    # 預測模型，用上個星期的數據
    preds = model.predict(X_valid)
    # 用MAE評估
    score = mean_absolute_error(y_valid, preds)
    # 保存模型到本地
    joblib.dump(model, a)
    # 返回MAE
    return [score, X_test]

2.總控

代碼

這幾篇文章寫了零零散散好幾個類，因此要寫個總文件也就是啓動文件串起來，而後在控制檯輸出
Main.py

# -*- coding: utf-8 -*-
# @Time: 2020/12/16
# @Author: Eritque arcus
# @File: Main.py
import joblib
import datetime as DT
from GetModel import GetModel
import matplotlib.pyplot as plt

# 訓練並保存模型並返回MAE
r = GetModel()
print("MAE:", r[0])
# 讀取保存的模型
model = joblib.load('Model.pkl')

# 最終預測結果
preds = model.predict(r[1])
# 反歸一化或標準化，不過出bug了，不用
# for cols in range(0, len(preds)):
# preds[cols] = scaler.inverse_transform(preds[cols])
# sns.lineplot(data=preds)
# plt.show()
# 打印結果到控制檯
print("將來7天預測")
print(preds)
all_ave_t = []
all_high_t = []
all_low_t = []
for a in range(1, 7):
    today = DT.datetime.now()
    time = (today + DT.timedelta(days=a)).date()
    print(time.year, '/', time.month, '/', time.day, ': 平均氣溫', preds[a][0], '最高氣溫', preds[a][1],
          '最低氣溫', preds[a][2], "降雨量", preds[a][3], "風力", preds[a][4])
    all_ave_t.append(preds[a][0])
    all_high_t.append(preds[a][1])
    all_low_t.append(preds[a][2])
temp = {"ave_t": all_ave_t, "high_t": all_high_t, "low_t": all_low_t}
# 繪畫折線圖
plt.plot(range(1, 7), temp["ave_t"], color="green", label="ave_t")
plt.plot(range(1, 7), temp["high_t"], color="red", label="high_t")
plt.plot(range(1, 7), temp["low_t"], color="blue", label="low_t")
plt.legend() # 顯示圖例
plt.ylabel("Temperature(°C)")
plt.xlabel("day")
# 顯示
plt.show()

使用方法

直接用python運行pre_weather/Main.py，就會在控制檯輸出預測的數據

python pre_weather/Main.py

或

在你的python代碼裏用joblib導入生成的模型，而後輸入你的數據進行預測

(PS: 由於模型的訓練用的數據日期和你預測數據的日期有關，因此不建議直接用使用非當天訓練的模型進行預測，偏差可能偏大)

如如下代碼(在Main.py的11行):

import joblib

# 讀取保存的模型
model = joblib.load('Model.pkl')

# 最終預測結果
preds = model.predict(r[1])
其中，r[1]是預測數據

或

參考Main.py，本身寫一個符合你需求的啓動文件

3.最後效果

本系列教程到這就結束了，代碼具體還要以github項目:PYWeatherReport爲主，可能會在這個github項目上不按期優化更新
有問題能夠在評論問問

-END-