使用python进行关于锂电池电极生成的关键质量（电池容量）预测-SVR

SVR（支持向量机回归）预测电池容量的工作原理：

SVR模型的目标是找到一个能够区分电池容量高低的分界线。

它会在数据中找到一些关键的电池,作为支持向量点。支持向量点能代表整体数据分布的特征。

然后 SVR 通过这些关键电池建立一个最大边际分界线,也就是距离支持向量最近的分界线。

新来一个电池,我们就判断它落在分界线的哪一侧,以判定它的电池容量属于高还是低。

如果一个电池正好落在分界线上,我们就直接取分界线上的预测值作为它的电池容量。

所以,SVR 通过找到能代表整体的数据关键点,学会将高容量和低容量的电池分开,实现电池容量的预测。

与线性模型不同,它可以找到数据之间的复杂分界,不局限于线性关系,因此可以处理更难的预测问题。

代码：

# svr_model.py

import pandas as pd
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, mean_absolute_error,r2_score
import matplotlib.pyplot as plt

# 加载数据
data = pd.read_csv('battery_capacity_prediction_data.csv')
X = data[['涂布速度', '涂层间隙', '浆料重量百分比', '表面张力', '浆料密度', '干密度', '涂层粘度']]
y = data['电池容量']

# 数据预处理
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建SVR模型
svr = SVR(kernel='rbf', C=100, gamma=0.1, epsilon=.1)

# 训练及评估
svr.fit(X_train, y_train)
y_pred = svr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

print('MAE:', mae)

print('MSE:', mse)
print('R2:', r2)


plt.rcParams['font.sans-serif']=['SimHei'] # 设置字体
plt.rcParams['axes.unicode_minus'] = False

# 绘制结果
plt.scatter(y_test, y_pred, c='b', label='预测值')
plt.scatter(y_test, y_test, c='r', label='真实值')
plt.legend()
# plt.xlabel('True Battery Capacity')
# plt.ylabel('Predicted Battery Capacity')
# plt.title('SVR Regression')
ax = plt.gca()
ax.set_xlabel('电池容量真实值')
ax.set_ylabel('电池容量预测值')

ax.set_title('(f) 支持向量回归(SVR)')

ax.title.set_position([0.5, -0.18])
plt.tight_layout()
plt.show()