Exercício – Prever o sucesso de um lançamento de foguete usando machine learning

  • 3 minutos

Por fim, é hora de testar seu modelo usando dados que nunca foram encontrados no seu conjunto de dados.

Em 30 de julho de 2020, a NASA lançou o astromóvel Perseverance para Marte de Cabo Canaveral às 07h50, Hora do Leste.

Reúna os dados de entrada para o modelo:

  • Tripulado ou não tripulado
  • Temp. alta
  • Temp. baixa
  • Temp. méd.
  • Temp. no momento do lançamento
  • Temp. alta hist.
  • Temp. baixa hist.
  • Temp. méd. hist.
  • Precipitação no momento do lançamento
  • Precipitação méd. hist.
  • Direção do vento
  • Velocidade máx. do vento
  • Visibilidade
  • Velocidade do vento no momento do lançamento
  • Méd. hist. da velocidade máx. do vento
  • Visibilidade méd. hist.
  • Condição

Você pode encontrar essas informações na maioria dos sites de meteorologia. Lembre-se de que os dados devem ser todos numéricos.

O seguinte exemplo usa dados hipotéticos:

# ['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])

Continuar a aprimorar

Conforme você continua a aprimorar seu modelo das maneiras descritas em todo este roteiro de aprendizagem, fique atento a outros lançamentos de foguete da NASA. Veja se seu modelo pode prever os resultados com precisão.

Você também pode usar previsões climáticas combinadas com seu modelo de aprendizado de máquina para ver se é possível prever se haverá um atraso mesmo antes dos lançamentos ocorrerem!