前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >汽车燃料效率预测

汽车燃料效率预测

原创
作者头像
XianxinMao
修改2021-07-28 14:36:25
4330
修改2021-07-28 14:36:25
举报
文章被收录于专栏:深度学习框架

本教程的目的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 ,包含有 MPG、Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 8 个特征,我们的目的是根据其它 7 个特征去预测 MPG ,数据如下图所示

由于本教程篇幅过长,我们这里就不粘贴过多代码了,如果需要查看代码,文末有提供链接地址

第一步我们需要加载数据,然后对数据进行清理,把一些 unknown values 去除,如下图所示,我们可以发现 Horsepower 这一列有 6 个需要清除的值

我们仔细观察下数据可以发现,Origin 这一列的值,其实是类别,不是数值,所以需要转化成 one-hot ,处理结果如下图所示

接下来我们需要进行数据集的划分,执行如下代码

代码语言:javascript
复制
train_dataset = dataset.sample(frac=0.8, random_state=0)
test_dataset = dataset.drop(train_dataset.index)

我们再来查看下各个特征的一些统计结果

我们可以发现一些特征的数值特别大,比如 Weight ,一些特征的数值特别小,比如 Cylinders ,所以我们需要对数据进行标准化

Linear Regression

用一个变量预测 MPG

代码语言:javascript
复制
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()

上面是核心代码,其中输入的一个变量指 Horsepower ,预测的目标是 MPG

用多个变量预测 MPG

代码语言:javascript
复制
normalizer = preprocessing.Normalization(axis=-1)
normalizer.adapt(np.array(train_features))
​
linear_model = tf.keras.Sequential([
    normalizer,
    layers.Dense(units=1)
])

上面是核心代码,其中输入的多个变量指 Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 7 个特征,预测的目标是MPG

DNN regression

代码语言:javascript
复制
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

上面是 DNN 的模型搭建代码

代码语言:javascript
复制
dnn_horsepower_model = build_and_compile_model(horsepower_normalizer)

上面是用一个变量去预测 MPG

上图是 dnn_horsepower_model.summary() 的结果

代码语言:javascript
复制
dnn_model = build_and_compile_model(normalizer)
dnn_model.summary()

上面是用所有特征去预测 MPG

上图是 dnn_model.summary() 的结果

针对 4 个方案,我们可以进行对比,如上图所示,我们发现 dnn_model 的 MAE 最低,也就是该模型效果最好

代码地址: https://codechina.csdn.net/csdn_codechina/enterprise_technology/-/blob/master/basic_regression_fuel_efficiency.ipynb

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Linear Regression
    • 用一个变量预测 MPG
      • 用多个变量预测 MPG
      • DNN regression
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档