使用TensorFlow(Python)预测燃油效率
预测燃油效率对于优化车辆性能和减少碳排放至关重要,这可以使用Tensorflow(Python的一个库)轻松预测。在本文中,我们将探讨如何利用流行的机器学习库TensorFlow来使用Python预测燃油效率。通过基于Auto MPG数据集构建预测模型,我们可以准确地估计车辆的燃油效率。让我们深入了解使用Python中的TensorFlow进行准确的燃油效率预测的过程。
Auto MPG数据集
为了准确预测燃油效率,我们需要一个可靠的数据集。来自UCI机器学习存储库的Auto MPG数据集为我们的模型提供了必要的信息。它包含各种属性,例如气缸数、排量、重量、马力、加速性能、产地和车型年份。这些属性用作特征,而燃油效率(以每加仑英里数或MPG衡量)则用作标签。通过分析此数据集,我们可以训练我们的模型以识别模式并根据类似的车辆特征进行预测。
准备数据集
在构建预测模型之前,我们需要准备数据集。这包括处理缺失值和规范化特征。缺失值会扰乱训练过程,因此我们将其从数据集中删除。规范化特征(例如马力和重量)可确保每个特征具有相似的比例。此步骤至关重要,因为数值范围较大的特征可能会主导模型的学习过程。规范化数据集可确保在训练期间对所有特征进行公平处理。
如何使用TensorFlow预测燃油效率?
以下是我们将遵循的步骤,以使用Tensorflow预测燃油效率:
导入必要的库 - 我们导入tensorflow、Keras、layers和pandas。
加载Auto MPG数据集。我们还指定列名并处理任何缺失值。
将数据集分为特征和标签 - 我们将数据集分为两部分 - 特征(输入变量)和标签(输出变量)。
规范化特征 - 我们使用最小-最大缩放来规范化特征。
将数据集分成训练集和测试集。
定义模型架构 - 我们定义一个具有三个密集层的简单顺序模型,其中每一层都有六十四个神经元并使用ReLU激活函数。
编译模型 - 我们使用均方误差 (MSE) 损失函数和RMSprop优化器来编译模型。
训练模型 - 在训练集上训练模型1000个epoch,并指定0.2的验证分割。
评估模型 - 在测试集上评估模型并计算平均MSE和燃油效率以及绝对误差 (MAE)。
计算新车的燃油效率 - 我们使用pandas DataFrame创建新车的特征。我们使用与原始数据集相同的缩放因子来规范化新车的特征。
使用训练好的模型预测新车的燃油效率。
打印预测的燃油效率 - 我们将新车的预测燃油效率打印到控制台。
打印测试指标 - 我们将测试MAE和MSE打印到控制台。
下面的程序使用Tensorflow构建一个神经网络模型,用于根据Auto MPG数据集预测燃油效率。
示例
# Import necessary libraries import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import pandas as pd # Load the Auto MPG dataset url = "https://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data" column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight', 'Acceleration', 'Model Year', 'Origin'] raw_dataset = pd.read_csv(url, names=column_names, na_values='?', comment='\t', sep=' ', skipinitialspace=True) # Drop missing values dataset = raw_dataset.dropna() # Separate the dataset into features and labels cfeatures = dataset.drop('MPG', axis=1) labels = dataset['MPG'] # Normalize the features using min-max scaling normalized_features = (cfeatures - cfeatures.min()) / (cfeatures.max() - cfeatures.min()) # Split the dataset into training and testing sets train_features = normalized_features[:300] test_features = normalized_features[300:] train_labels = labels[:300] test_labels = labels[300:] # Define the model architecture for this we will use sequential API of the keras model1 = keras.Sequential([ layers.Dense(64, activation='relu', input_shape=[len(train_features.keys())]), layers.Dense(64, activation='relu'), layers.Dense(1) ]) #if you want summary of the model’s architecture you can use the code: model1.summary() # Model compilation optimizer = tf.keras.optimizers.RMSprop(0.001) model1.compile(loss='mse', optimizer=optimizer, metrics=['mae', 'mse']) # Train the model Mhistory = model1.fit( train_features, train_labels, epochs=1000, validation_split = 0.2, verbose=0) # Evaluate the model on the test set test_loss, test_mae, test_mse = model1.evaluate(test_features, test_labels) # Train the model model1.fit(train_features, train_labels, epochs=1000, verbose=0) # Calculation of the fuel efficiency for a new car new_car_features = pd.DataFrame([[4, 121, 110, 2800, 15.4, 81, 3]], columns=column_names[1:]) normalized_new_car_features = (new_car_features - cfeatures.min()) / (cfeatures.max() - cfeatures.min()) fuel_efficiencyc = model1.predict(normalized_new_car_features) # Print the test metrics print("Test MAE:", test_mae) print("Test MSE:", test_mse) print("Predicted Fuel Efficiency:", fuel_efficiencyc[0][0])
输出
C:\Users\Tutorialspoint>python image.py 3/3 [==============================] - 0s 2ms/step - loss: 18.8091 - mae: 3.3231 - mse: 18.8091 1/1 [==============================] - 0s 90ms/step Test MAE: 3.3230929374694824 Test MSE: 18.80905532836914 Predicted Fuel Efficiency: 24.55885
结论
总之,在Python中使用TensorFlow预测燃油效率是一种强大的工具,可以帮助制造商和消费者做出明智的决策。通过分析各种车辆特征和训练神经网络模型,我们可以准确地预测燃油效率。
这些信息可以导致开发更节能的车辆,减少对环境的影响并为消费者节省成本。TensorFlow的多功能性和易用性使其成为改进汽车行业燃油效率的有价值的资产。