汽车燃料效率预测

本教程的目的是要预测汽车的燃料效率，相比于之前的分类，这是一个回归问题，回归是针对连续变量的，分类是针对离散变量的

用的数据集是 Auto MPG ，包含有 MPG、Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 8 个特征，我们的目的是根据其它 7 个特征去预测 MPG ，数据如下图所示

由于本教程篇幅过长，我们这里就不粘贴过多代码了，如果需要查看代码，文末有提供链接地址

第一步我们需要加载数据，然后对数据进行清理，把一些 unknown values 去除，如下图所示，我们可以发现 Horsepower 这一列有 6 个需要清除的值

我们仔细观察下数据可以发现，Origin 这一列的值，其实是类别，不是数值，所以需要转化成 one-hot ，处理结果如下图所示

接下来我们需要进行数据集的划分，执行如下代码

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

我们再来查看下各个特征的一些统计结果

我们可以发现一些特征的数值特别大，比如 Weight ，一些特征的数值特别小，比如 Cylinders ，所以我们需要对数据进行标准化

Linear Regression

用一个变量预测 MPG

horsepower = np.array(train_features['Horsepower'])
​
horsepower_normalizer = preprocessing.Normalization(input_shape=[1,], axis=None)
horsepower_normalizer.adapt(horsepower)
​
horsepower_model = tf.keras.Sequential([
    horsepower_normalizer,
    layers.Dense(units=1)
])
​
horsepower_model.summary()

上面是核心代码，其中输入的一个变量指 Horsepower ，预测的目标是 MPG

用多个变量预测 MPG

normalizer = preprocessing.Normalization(axis=-1)
normalizer.adapt(np.array(train_features))
​
linear_model = tf.keras.Sequential([
    normalizer,
    layers.Dense(units=1)
])

上面是核心代码，其中输入的多个变量指 Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 7 个特征，预测的目标是MPG

DNN regression

def build_and_compile_model(norm):
  model = keras.Sequential([
      norm,
      layers.Dense(64, activation='relu'),
      layers.Dense(64, activation='relu'),
      layers.Dense(1)
  ])
​
  model.compile(loss='mean_absolute_error',
                optimizer=tf.keras.optimizers.Adam(0.001))
  return model

上面是 DNN 的模型搭建代码

dnn_horsepower_model = build_and_compile_model(horsepower_normalizer)

上面是用一个变量去预测 MPG

上图是 dnn_horsepower_model.summary() 的结果

dnn_model = build_and_compile_model(normalizer)
dnn_model.summary()

上面是用所有特征去预测 MPG

上图是 dnn_model.summary() 的结果

针对 4 个方案，我们可以进行对比，如上图所示，我们发现 dnn_model 的 MAE 最低，也就是该模型效果最好