【python】python汽车效能数据集—回归建模（源码+数据集）【独一无二】

👉博__主👈：米码收割机

👉技__能👈：C++/Python语言

👉公众号👈：测试开发自动化【获取源码+商业合作】

👉荣__誉👈：阿里云博客专家博主、51CTO技术博主

👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。

一、要求

回归任务建模分析：data目录下的data1.csv中提供了一个汽车效能数据集，该数据集包含了各种汽车的特征（如气缸数、排量、马力等）以及每加仑汽油行驶英里数（MPG）。你的任务是：

1. 对数据进行预处理，处理缺失值、异常值和进行特征缩放。（5分）
2. 分析特征与目标变量（MPG）之间的相关性，并进行特征选择。（5分）
3. 使用至少两种回归算法来预测汽车的MPG。（10分）
4. 评估模型的性能，使用适当的评估指标来比较不同算法的优劣。（5分）
5. 根据你的分析，给出提升模型性能的建议，并讨论哪些特征对预测MPG最为重要。（5分）

数据集如下：

👉👉👉源码关注【测试开发自动化】公众号，回复 “ 汽车效能 ” 获取。👈👈👈

二、代码实现

1. 数据导入和预处理：

• 使用 Pandas 库读取 CSV 文件，并将数据存储在 DataFrame 中。
  
• 使用 SimpleImputer 进行数据预处理，将缺失值用均值填充。
  
• 使用 StandardScaler 进行特征缩放，将特征值进行标准化处理。

data = pd.read_csv("data1.csv")
imputer = SimpleImputer(strategy='mean')
df['horsepower'] = imputer.fit_transform(df[['horsepower']])

1. 数据拆分：

• 使用 train_test_split 函数将数据集拆分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

1. 模型训练和预测：

• 使用 LinearRegression 和 RandomForestRegressor 分别初始化模型，并在训练集上拟合数据。
  
• 使用训练好的模型在测试集上进行预测。

linear_reg = LinearRegression()
linear_reg.fit(X_train, y_train)
y_pred_linear = linear_reg.predict(X_test)

👉👉👉源码关注【测试开发自动化】公众号，回复 “ 汽车效能 ” 获取。👈👈👈

4. 模型评估：

• 使用 mean_squared_error 和 r2_score 计算模型在测试集上的均方误差（MSE）和决定系数（R2）。
  
• 输出评估指标。

print("Linear Regression - MSE:", mse_linear, "R2:", r2_linear)
print("Random Forest Regression - MSE:", mse_rf, "R2:", r2_rf)

• 指标结果如下：
  

👉👉👉源码关注【测试开发自动化】公众号，回复 “ 汽车效能 ” 获取。👈👈👈

5. 绘制折线图：

• 使用 Matplotlib 库绘制实际值与预测值的折线图。

plt.plot(y_test.values, label='Actual')
plt.plot(y_pred_linear, label='Linear Regression Predicted')
plt.plot(y_pred_rf, label='Random Forest Predicted')
plt.xlabel('Samples')
plt.ylabel('MPG')
plt.legend()
plt.show()

👉👉👉源码关注【测试开发自动化】公众号，回复 “ 汽车效能 ” 获取。👈👈👈

6. 绘制柱状图：

• 使用 Matplotlib 库绘制两种模型评估指标（MSE 和 R2）的柱状图。

fig, ax1 = plt.subplots()
bar1 = ax1.bar(x - width/2, mse_values, width, label='MSE', color='b')
ax1.set_xlabel('Models')
ax1.set_ylabel('MSE', color='b')
ax1.tick_params(axis='y', labelcolor='b')
ax2 = ax1.twinx()  
bar2 = ax2.bar(x + width/2, r2_values, width, label='R2', color='r')
ax2.set_ylabel('R2', color='r')
ax2.tick_params(axis='y', labelcolor='r')
ax1.set_xticks(x)
ax1.set_xticklabels(models)
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')
plt.show()

👉👉👉源码关注【测试开发自动化】公众号，回复 “ 汽车效能 ” 获取。👈👈👈