在 Python 中使用 Tensorflow 预测燃油效率

很酷的站长

发布于 2023-08-11 07:38:15

29300

代码可运行

文章被收录于专栏：站长的编程笔记站长的编程笔记

运行总次数：0

代码可运行

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python库tensorflow进行预测。在本文中，我们将探讨如何利用流行的机器学习库 Tensorflow 的强大功能来使用 Python 预测燃油效率。通过基于 Auto MPG 数据集构建预测模型，我们可以准确估计车辆的燃油效率。让我们深入了解在 Python 中使用 Tensorflow 进行准确的燃油效率预测的过程。

自动英里/加仑数据集

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，如气缸数、排量、重量、马力、加速度、原产地和车型年份。这些属性用作特征，而燃油效率（以英里/加仑或 MPG 为单位）充当标签。通过分析此数据集，我们可以训练模型识别模式并根据相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。这涉及处理缺失值和规范化要素。缺失值可能会中断训练过程，因此我们从数据集中删除它们。对要素（如马力和重量）进行归一化可确保每个要素的比例相似。此步骤至关重要，因为具有较大数值范围的特征可以主导模型的学习过程。规范化数据集可确保在训练期间公平对待所有特征。

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。
加载自动 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-最大缩放来规范特征。
数据集拆分为训练集和测试集。
定义模型架构 - 我们定义一个简单的顺序模型，其中包含三个密集层，其中每层有 64 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 优化器编译模型。
训练模型 − 在训练集上训练 1000 个 epoch 的模型，并指定 0.2 的验证拆分。
评估模型 − 在测试集上进行模型评估，并计算平均 MSE 以及燃油效率和绝对误差（MAE）。
计算新车的燃油效率 - 我们使用熊猫数据帧创建新车的功能。我们使用与原始数据集相同的比例因子对新车的特征进行归一化。
使用经过训练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，用于从 Auto MPG 数据集预测燃油效率。

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