Vorhersage der Kraftstoffeffizienz mit Tensorflow in Python

Die Vorhersage der Kraftstoffeffizienz ist für die Optimierung der Fahrzeugleistung und die Reduzierung der CO2-Emissionen von entscheidender Bedeutung. Dies kann mithilfe der Python-Bibliothek Tensorflow leicht vorhergesagt werden. In diesem Artikel untersuchen wir, wie wir die Leistungsfähigkeit der beliebten Bibliothek für maschinelles Lernen Tensorflow nutzen können, um die Kraftstoffeffizienz mithilfe von Python vorherzusagen. Durch die Erstellung eines Vorhersagemodells auf der Grundlage des Auto-MPG-Datensatzes können wir die Kraftstoffeffizienz eines Fahrzeugs genau abschätzen. Lassen Sie uns einen tiefen Einblick in den Prozess der Erstellung genauer Vorhersagen zur Kraftstoffeffizienz mithilfe von Tensorflow in Python werfen.

Automatischer MPG-Datensatz

Um die Kraftstoffeffizienz genau vorherzusagen, benötigen wir zuverlässige Datensätze. Der Auto MPG-Datensatz stammt aus dem UCI Machine Learning Repository und liefert die notwendigen Informationen für unser Modell. Es enthält verschiedene Attribute wie Zylinderzahl, Hubraum, Gewicht, PS, Beschleunigung, Herkunftsland und Modelljahr. Diese Attribute dienen als Merkmale, während die Kraftstoffeffizienz (gemessen in Meilen pro Gallone oder MPG) als Etikett dient. Durch die Analyse dieses Datensatzes können wir das Modell trainieren, Muster zu erkennen und Vorhersagen auf der Grundlage ähnlicher Fahrzeugeigenschaften zu treffen.

Bereiten Sie den Datensatz vor

Bevor wir das Vorhersagemodell erstellen, müssen wir den Datensatz vorbereiten. Dies beinhaltet den Umgang mit fehlenden Werten und die Normalisierung von Merkmalen. Fehlende Werte können den Trainingsprozess stören, daher entfernen wir sie aus dem Datensatz. Durch die Standardisierung von Merkmalen wie PS und Gewicht wird sichergestellt, dass alle Merkmale in einem ähnlichen Bereich liegen. Dieser Schritt ist von entscheidender Bedeutung, da Merkmale mit großen numerischen Bereichen den Lernprozess des Modells dominieren können. Durch die Normalisierung des Datensatzes wird sichergestellt, dass alle Funktionen während des Trainings fair behandelt werden.

Wie kann man die Kraftstoffeffizienz mit TensorFlow vorhersagen?

Hier sind die Schritte, die wir befolgen werden, um die Kraftstoffeffizienz mithilfe von Tensorflow vorherzusagen -

• Importieren Sie die notwendigen Bibliotheken – wir importieren Tensorflow, Keras, Layer und Pandas.

• Laden Sie den automatischen MPG-Datensatz. Wir geben auch Spaltennamen an und behandeln alle fehlenden Werte.

• Teilen Sie den Datensatz in Features und Beschriftungen auf – Wir teilen den Datensatz in zwei Teile auf – Features (Eingabevariablen) und Beschriftungen (Ausgabevariablen).

• Normalisierte Funktionen – Wir verwenden die Min-Max-Skalierung, um Funktionen zu normalisieren.

• Der Datensatz ist in Trainingssatz und Testsatz unterteilt.

• Definieren Sie die Modellarchitektur – Wir definieren ein einfaches sequentielles Modell mit drei dichten Schichten, mit 64 Neuronen pro Schicht und unter Verwendung der ReLU-Aktivierungsfunktion.

• Kompilieren Sie das Modell – Wir kompilieren das Modell mit der Verlustfunktion des mittleren quadratischen Fehlers (MSE) und dem RMSprop-Optimierer.

• Trainieren Sie das Modell – Trainieren Sie das Modell für 1000 Epochen auf dem Trainingssatz und geben Sie eine Validierungsaufteilung von 0,2 an.

• Bewerten Sie das Modell – Führen Sie eine Modellbewertung am Testsatz durch und berechnen Sie den durchschnittlichen MSE sowie die Kraftstoffeffizienz und den absoluten Fehler (MAE).

• Berechnen Sie die Kraftstoffeffizienz eines Neuwagens – Wir verwenden Pandas DataFrame, um die Funktion für ein Neuwagen zu erstellen. Wir normalisieren die Merkmale von Neuwagen mit demselben Skalierungsfaktor wie der Originaldatensatz.

• Prognostizieren Sie die Kraftstoffeffizienz von Neuwagen mithilfe trainierter Modelle.

• Prognostizierte Kraftstoffeffizienz drucken – Wir drucken die prognostizierte Kraftstoffeffizienz von Neuwagen auf der Konsole aus

• Testmetriken drucken – Wir drucken die Test-MAE und -MSE auf der Konsole.

Das folgende Programm verwendet Tensorflow, um ein neuronales Netzwerkmodell zur Vorhersage der Kraftstoffeffizienz basierend auf dem Auto MPG-Datensatz zu erstellen.

Beispiel

# 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])

Ausgabe

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

Fazit

Zusammenfassend lässt sich sagen, dass die Vorhersage der Kraftstoffeffizienz mithilfe von Tensorflow in Python ein leistungsstarkes Tool ist, das Herstellern und Verbrauchern dabei helfen kann, fundierte Entscheidungen zu treffen. Durch die Analyse verschiedener Fahrzeugeigenschaften und das Training eines neuronalen Netzwerkmodells können wir die Kraftstoffeffizienz genau vorhersagen.

Diese Informationen können die Entwicklung energieeffizienterer Fahrzeuge fördern, die Umweltbelastung verringern und Kosten für Verbraucher sparen. Die Vielseitigkeit und Benutzerfreundlichkeit von Tensorflow machen es zu einem wertvollen Hilfsmittel für die Automobilindustrie bei ihrem Bestreben, die Kraftstoffeffizienz zu verbessern.

Das obige ist der detaillierte Inhalt vonVorhersage der Kraftstoffeffizienz mit Tensorflow in Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!