PyTorch进行汽车油耗多变量线性预测

数据集 AUTO MPG

Auto MPG（Miles Per Gallon）数据集，它是一个经典的回归问题数据集，常用于机器学习和统计分析。该数据集记录了不同型号汽车的燃油效率（即每加仑燃油行驶的英里数）以及其他多个相关特征。

数据集特征:
mpg: 每加仑燃油行驶的英里数（目标变量）。
cylinders: 气缸数量，表示发动机的气缸数。
displacement: 发动机排量（立方英寸）。
horsepower: 发动机功率（马力）。
weight: 车辆重量（磅）。
acceleration: 0到60英里每小时的加速度时间（秒）。
model_year: 车辆生产年份。
origin: 车辆产地（1=美国，2=欧洲，3=日本）。

def get_data():
    # 指定要检查的文件名
    file_name = 'mlg.csv'  

    # 获取当前工作目录
    current_directory = os.getcwd()

    # 构建完整的文件路径
    file_path = os.path.join(current_directory, file_name)

    # 检查文件是否存在
    if os.path.isfile(file_path):
        data = pd.read_csv('mlg.csv')
    else:
        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']
        data = pd.read_csv(url, names=column_names, na_values='?', comment='\t', sep=' ', skipinitialspace=True)
        # 保存数据到当前目录
        data.to_csv('mlg.csv',index=None)
    return data

多变量模型

class MultiVariableModel(nn.Module):
    def __init__(self):
        super(MultiVariableModel, self).__init__()
        self.fc1 = nn.Linear(num_features, 64)  # 输入特征数为 num_features
        self.fc2 = nn.Linear(64, 32)
        self.fc3 = nn.Linear(32, 1)  # 输出一个预测值

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 第一层
        x = torch.relu(self.fc2(x))  # 第二层
        x = self.fc3(x)               # 输出层
        return x

训练和预测

data = get_data()

# drop 'origin'列
data = data.drop('origin',axis= 1)
# print(data.isna().sum())
data = data.dropna()

train_dataset = data.sample(frac=0.8, random_state=0)
test_dataset = data.drop(train_dataset.index)

#归一化
scaler = MinMaxScaler(feature_range=(0, 1))
train_dataset = scaler.fit_transform(train_dataset)
test_dataset = scaler.fit_transform(test_dataset)

# 
train_features = train_dataset[:,1:]
test_features = test_dataset[:,1:]
train_labels = train_features[:,0]
test_labels = test_features[:,0]

# 将数据转换为 PyTorch 张量
X_tensor = torch.tensor(train_features)
y_tensor = torch.tensor(train_labels).view(-1, 1)  # 目标变量需要是二维的
# 特征数量
num_features = 6

# 创建模型实例
model = MultiVariableModel()

# 创建数据集和数据加载器
dataset = TensorDataset(X_tensor.float(), y_tensor.float())
dataloader = DataLoader(dataset, batch_size=16, shuffle=True)


# 选择优化器和损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()


# 训练模型
num_epochs = 50
for epoch in range(num_epochs):
    for inputs, targets in dataloader:
        optimizer.zero_grad()  # 清空梯度
        outputs = model(inputs)  # 前向传播
        loss = criterion(outputs, targets)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新权重

    if (epoch + 1) % 10 == 0:  # 每10个epoch打印一次损失
        print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')

# # 训练完成后，可以进行预测
with torch.no_grad():
    test_input = torch.tensor(test_features) # 预测
    prediction = model(test_input.float()).detach().numpy()



plt.scatter(test_labels,prediction)
plt.show()