Abhishek Joshi / Abhishek Sharma / Mohit Waghela
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Efektywność paliwowa odgrywa kluczową rolę w projektowaniu samochodów, zrównoważeniu środowiskowym i analizie wydajności. Niniejszy projekt przedstawia podejście oparte na uczeniu maszynowym do przewidywania mil na galon (MPG) przy użyciu cech pojazdu z dobrze znanego zbioru danych Auto MPG dostępnego w repozytorium uczenia maszynowego UCI.Zbiór danych przechodzi etapy wstępnego przetwarzania, w tym obsługę brakujących wartości, konwersję typów danych i wybór kluczowych atrybutów numerycznych. Dwa modele predykcyjne - regresja liniowa i regresor Random Forest - są implementowane i oceniane przy użyciu standardowych wskaźników regresji, takich jak średni błąd bezwzględny (MAE), średni błąd kwadratowy (MSE) i wynik R². Model Random Forest wypada znacznie lepiej, co wskazuje na jego siłę w wychwytywaniu nieliniowych wzorców w charakterystyce pojazdu.Badanie podkreśla potencjał uczenia maszynowego do wspierania analizy wydajności samochodów i prognozowania zużycia paliwa. Przyszłe ulepszenia mogą obejmować dostrajanie modeli, zaawansowane algorytmy, systemy przewidywania w czasie rzeczywistym i wdrażanie za pośrednictwem interfejsu internetowego.