Przewidywanie efektywno¿ci paliwowej (MPG) przy u¿yciu uczenia maszynowego

Efektywno¿¿ paliwowa odgrywa kluczow¿ rol¿ w projektowaniu samochodów, zrównowäeniu ¿rodowiskowym i analizie wydajno¿ci. Niniejszy projekt przedstawia podej¿cie oparte na uczeniu maszynowym do przewidywania mil na galon (MPG) przy u¿yciu cech pojazdu z dobrze znanego zbioru danych Auto MPG dost¿pnego w repozytorium uczenia maszynowego UCI.Zbiór danych przechodzi etapy wst¿pnego przetwarzania, w tym obs¿ug¿ brakuj¿cych warto¿ci, konwersj¿ typów danych i wybór kluczowych atrybutów numerycznych. Dwa modele predykcyjne - regresja liniowa i regresor Random Forest - s¿ implementowane i oceniane przy u¿yciu standardowych wskäników regresji, takich jak ¿redni b¿¿d bezwzgl¿dny (MAE), ¿redni b¿¿d kwadratowy (MSE) i wynik R². Model Random Forest wypada znacznie lepiej, co wskazuje na jego si¿¿ w wychwytywaniu nieliniowych wzorców w charakterystyce pojazdu.Badanie podkre¿la potencjä uczenia maszynowego do wspierania analizy wydajno¿ci samochodów i prognozowania zu¿ycia paliwa. Przysz¿e ulepszenia mog¿ obejmowä dostrajanie modeli, zaawansowane algorytmy, systemy przewidywania w czasie rzeczywistym i wdräanie za po¿rednictwem interfejsu internetowego.