使用 Python 中的 Tensorflow 预测燃油效率

pythonserver side programmingprogrammingtensorflow

预测燃油效率对于优化车辆性能和减少碳排放至关重要，可以使用 Python 库 Tensorflow 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 的强大功能使用 Python 预测燃油效率。通过基于 Auto MPG 数据集构建预测模型，我们可以准确估算车辆的燃油效率。让我们深入了解使用 Python 中的 Tensorflow 进行准确燃油效率预测的过程。

Auto MPG 数据集

要准确预测燃油效率，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、加速度、原产地和车型年份。这些属性充当特征，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特征。缺失值会破坏训练过程，因此我们会将其从数据集中消除。规范化特征(例如马力和重量)可确保每个特征都处于相似的范围内。此步骤至关重要，因为具有较大数值范围的特征可能会主导模型的学习过程。对数据集进行规范化可确保在训练期间公平处理所有特征。

如何使用 TensorFlow 预测燃油效率?

以下是我们使用 Tensorflow 预测燃油效率将遵循的步骤 -

导入必要的库 - 我们导入 tensorflow、Keras、layers 和 pandas。
加载 Auto MPG 数据集。我们还指定列名称并处理任何缺失值。
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-最大缩放对特征进行规范化。
将数据集拆分为训练集和测试集。
定义模型架构 - 我们定义一个具有三个密集层的简单顺序模型，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 - 在训练集上进行 1000 个时期的模型训练，并指定 0.2 的验证分割。
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 pandas DataFrame 创建新车的功能。我们使用与原始数据集相同的缩放因子对新车的功能进行规范化。
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，用于从 Auto MPG 数据集预测燃油效率。

示例

# 导入必要的库
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layer
import pandas as pd

# 加载 Auto MPG 数据集
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)

# 删除缺失值
dataset = raw_dataset.dropna()

# 将数据集分为特征和标签
cfeatures = dataset.drop('MPG', axis=1)
labels = dataset['MPG']

# 使用最小-最大缩放对特征进行规范化
normalized_features = (cfeatures - cfeatures.min()) / (cfeatures.max() - cfeatures.min())

# 将数据集分为训练集和测试集
train_features = normalized_features[:300]
test_features = normalized_features[300:]
train_labels = labels[:300]
test_labels = labels[300:]

# 定义模型架构，为此我们将使用 keras 的顺序 API
model1 = keras.Sequential([
    layer.Dense(64,activation='relu',input_shape=[len(train_features.keys())]),
    layers.Dense(64,activation='relu'),
    layers.Dense(1)
])
#如果您想要模型架构的摘要，可以使用代码:model1.summary()

# 模型编译
optimizer = tf.keras.optimizers.RMSprop(0.001)
model1.compile(loss='mse',optimizer=optimizer,metrics=['mae','mse'])

# 训练模型
Mhistory = model1.fit(
    train_features,train_labels,
    epochs=1000,validation_split = 0.2,verbose=0)

# 在测试集
test_loss, test_mae, test_mse = model1.evaluate(test_features, test_labels)
# 训练模型
model1.fit(train_features, train_labels, epochs=1000, verbose=0)

# 计算新车的燃油效率
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)

# 打印测试指标
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