Vorhersage der Kraftstoffeffizienz (MPG) durch maschinelles Lernen

Die Kraftstoffeffizienz spielt eine entscheidende Rolle bei der Entwicklung von Fahrzeugen, der ökologischen Nachhaltigkeit und der Leistungsanalyse. In diesem Projekt wird ein Ansatz des maschinellen Lernens zur Vorhersage von Meilen pro Gallone (MPG) vorgestellt, der Fahrzeugmerkmale aus dem bekannten Auto MPG-Datensatz verwendet, der im UCI Machine Learning Repository verfügbar ist.Der Datensatz wird einer Vorverarbeitung unterzogen, die die Behandlung fehlender Werte, die Konvertierung von Datentypen und die Auswahl wichtiger numerischer Attribute umfasst. Zwei Vorhersagemodelle - lineare Regression und Random Forest Regressor - werden implementiert und anhand von Standardregressionsmetriken wie mittlerer absoluter Fehler (MAE), mittlerer quadratischer Fehler (MSE) und R²-Wert bewertet. Das Random-Forest-Modell schneidet deutlich besser ab, was auf seine Stärke bei der Erfassung nichtlinearer Muster in den Fahrzeugeigenschaften hinweist.Die Studie unterstreicht das Potenzial des maschinellen Lernens zur Unterstützung der Analyse der Automobileffizienz und der Vorhersage des Kraftstoffverbrauchs. Zukünftige Verbesserungen können Modelloptimierung, fortschrittliche Algorithmen, Echtzeit-Vorhersagesysteme und die Bereitstellung über eine Webschnittstelle umfassen.