Первый fit и predict на своих данных

Расход топлива для новых рейсов

Автопарк накапливает историю своих рейсов: для каждого из них диспетчеры записывают пройденное расстояние, среднюю скорость на маршруте и массу перевозимого груза, а также фиксируют, сколько топлива в итоге было израсходовано. Со временем эти записи превращаются в ценный архив, отражающий реальную зависимость между условиями поездки и аппетитом двигателя.

Зная, что расход топлива закономерно меняется вместе с тремя перечисленными характеристиками рейса, логистики хотят научиться предсказывать его заранее — до того как грузовик тронется в путь. Для этого накопленные данные используются как обучающий материал: три характеристики играют роль входных признаков, а фактический расход становится той величиной, которую модель учится воспроизводить.

Что уже дано

До вашего кода в том же пространстве имён создаются df — pandas DataFrame с историей рейсов — и new_trips — список двух словарей с данными будущих рейсов. В df столбцы расстояние_км, скорость_кмч, груз_т — числовые признаки, топливо_л — фактический расход. В new_trips цели нет.

Что нужно сделать

Создайте X и y, экземпляр LinearRegression с именем model, обучите его через fit(X, y). Из new_trips создайте DataFrame X_new с теми же тремя столбцами в том же порядке, что X. Сохраните результат model.predict(X_new) в predictions.

Ввод и вывод

stdin не используется. Печатать через print в stdout ничего не нужно. После вашего кода проверяются верхнеуровневые X, y, model, X_new, predictions. predictions — NumPy-массив из двух числовых прогнозов расхода в литрах, по одному для каждого нового рейса.