汽车燃料效率预测

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
汽车燃料效率预测
文章图片

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
汽车燃料效率预测
文章图片

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
汽车燃料效率预测
文章图片

接下来我们需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)

我们再来查看下各个特征的一些统计结果
汽车燃料效率预测
文章图片

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
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
normalizer = preprocessing.Normalization(axis=-1) normalizer.adapt(np.array(train_features))linear_model = tf.keras.Sequential([ normalizer, layers.Dense(units=1) ])

【汽车燃料效率预测】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
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
dnn_horsepower_model = build_and_compile_model(horsepower_normalizer)

上面是用一个变量去预测 MPG
汽车燃料效率预测
文章图片

上图是 dnn_horsepower_model.summary() 的结果
dnn_model = build_and_compile_model(normalizer) dnn_model.summary()

上面是用所有特征去预测 MPG
汽车燃料效率预测
文章图片

上图是 dnn_model.summary() 的结果
汽车燃料效率预测
文章图片

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/cs...

    推荐阅读