关于算法:汽车燃料效率预测

0次阅读

共计 1750 个字符,预计需要花费 5 分钟才能阅读完成。

本教程的目标是要预测汽车的燃料效率,相比于之前的分类,这是一个回归问题,回归是针对连续变量的,分类是针对离散变量的

用的数据集是 Auto MPG,蕴含有 MPG、Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 8 个特色,咱们的目标是依据其它 7 个特色去预测 MPG,数据如下图所示

因为本教程篇幅过长,咱们这里就不粘贴过多代码了,如果须要查看代码,文末有提供链接地址

第一步咱们须要加载数据,而后对数据进行清理,把一些 unknown values 去除,如下图所示,咱们能够发现 Horsepower 这一列有 6 个须要革除的值

咱们仔细观察下数据能够发现,Origin 这一列的值,其实是类别,不是数值,所以须要转化成 one-hot,处理结果如下图所示

接下来咱们须要进行数据集的划分,执行如下代码

train_dataset = dataset.sample(frac=0.8, random_state=0)
test_dataset = dataset.drop(train_dataset.index)

咱们再来查看下各个特色的一些统计后果

咱们能够发现一些特色的数值特地大,比方 Weight,一些特色的数值特地小,比方 Cylinders,所以咱们须要对数据进行标准化

Linear Regression

用一个变量预测 MPG

horsepower = np.array(train_features['Horsepower'])

horsepower_normalizer = preprocessing.Normalization(input_shape=[1,], axis=None)
horsepower_normalizer.adapt(horsepower)

horsepower_model = tf.keras.Sequential([
    horsepower_normalizer,
    layers.Dense(units=1)
])

horsepower_model.summary()

下面是外围代码,其中输出的一个变量指 Horsepower,预测的指标是 MPG

用多个变量预测 MPG

normalizer = preprocessing.Normalization(axis=-1)
normalizer.adapt(np.array(train_features))

linear_model = tf.keras.Sequential([
    normalizer,
    layers.Dense(units=1)
])

下面是外围代码,其中输出的多个变量指 Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 7 个特色,预测的指标是 MPG

DNN regression

def build_and_compile_model(norm):
  model = keras.Sequential([
      norm,
      layers.Dense(64, activation='relu'),
      layers.Dense(64, activation='relu'),
      layers.Dense(1)
  ])

  model.compile(loss='mean_absolute_error',
                optimizer=tf.keras.optimizers.Adam(0.001))
  return model

下面是 DNN 的模型搭建代码

dnn_horsepower_model = build_and_compile_model(horsepower_normalizer)

下面是用一个变量去预测 MPG

上图是 dnn_horsepower_model.summary() 的后果

dnn_model = build_and_compile_model(normalizer)
dnn_model.summary()

下面是用所有特色去预测 MPG

上图是 dnn_model.summary() 的后果

针对 4 个计划,咱们能够进行比照,如上图所示,咱们发现 dnn_model 的 MAE 最低,也就是该模型成果最好

代码地址: https://codechina.csdn.net/cs…

正文完
 0