Overview

Efektywnośc paliwowa odgrywa kluczową rolę w projektowaniu samochodów, zrównoważeniu środowiskowym i analizie wydajności. Niniejszy projekt przedstawia podejście oparte na uczeniu maszynowym do przewidywania mil na galon (MPG) przy użyciu cech pojazdu z dobrze znanego zbioru danych Auto MPG dostępnego w repozytorium uczenia maszynowego UCI.Zbiór danych przechodzi etapy wstępnego przetwarzania, w tym obslugę brakujących wartości, konwersję typów danych i wybór kluczowych atrybutów numerycznych. Dwa modele predykcyjne - regresja liniowa i regresor Random Forest - są implementowane i oceniane przy użyciu standardowych wskaźników regresji, takich jak średni bląd bezwzględny (MAE), średni bląd kwadratowy (MSE) i wynik R². Model Random Forest wypada znacznie lepiej, co wskazuje na jego silę w wychwytywaniu nieliniowych wzorców w charakterystyce pojazdu.Badanie podkreśla potencjal uczenia maszynowego do wspierania analizy wydajności samochodów i prognozowania zużycia paliwa. Przyszle ulepszenia mogą obejmowac dostrajanie modeli, zaawansowane algorytmy, systemy przewidywania w czasie rzeczywistym i wdrażanie za pośrednictwem interfejsu internetowego.

Full Product Details

9786209881831

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available