2.2.2 智慧交通中燃油效率随机森林模型开发与测试

工作任务

在现代交通中，燃油效率（MPG）是衡量汽车性能和交通系统优化的重要指标之一。高效的燃油利用不仅能够降低车辆运营成本，还能减少碳排放，促进环保。

现要求根据提供的汽车燃油效率数据集，补全代码。选择合适的特征，开发一个燃油效率预测模型。利用测试工具对模型进行测试，并对测试结果进行分析。

具体要求

（1）正确加载数据集，显示前五行的数据。

（2）使用线性回归模型进行模型训练，设定自变量和因变量，进行模型训练，保存模型为 2.2.2_model.pkl，结果保存为 2.2.2_results.txt。

（3）使用测试工具对模型进行测试，记录测试结果保存为 2.2.2_report.txt。

（4）运用随机森林模型纠正错误，重新训练，结果保存为 2.2.2_results_rf.txt。

数据集说明

mpg: 燃油效率 cylinders: 气缸数量
displacement: 排量 horsepower: 马力
weight: 车重 acceleration: 加速
model year: 生产年份 origin: 产地
car name: 车型名称

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 22

In [1] — 导入库 & 加载数据 & 数据预处理 5分

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline import pickle from sklearn.ensemble import RandomForestRegressor # 加载数据集 1分 df = # 显示前五行数据 1分 print() # 处理缺失值 # 将 'horsepower' 列中的所有值转换为数值类型 1分 df['horsepower'] = (, errors='coerce') # 删除包含缺失值的行 1分 df =

In [2] — 特征选择 & 数据划分 & 线性回归训练 10分

# 选择相关特征进行建模（定义自变量和因变量） 2分 X = y = # 将数据集划分为训练集和测试集（测试集占比20%） 2分 X_train, X_test, y_train, y_test = (, random_state=42) # 创建包含标准化和线性回归的管道 3分 pipeline = [('scaler', ), ('linreg', )]) # 训练模型 1分 # 保存训练好的模型 1分 with open('2.2.2_model.pkl', 'wb') as model_file: pickle. # 预测并保存结果 1分 y_pred = results_df = pd.DataFrame(y_pred, columns=['预测结果']) ('2.2.2_results.txt', index=False)

In [3] — 测试模型（无需填空） —

# 测试模型 with open('2.2.2_report.txt', 'w') as results_file: results_file.write(f'训练集得分: {pipeline.score(X_train, y_train)}\n') results_file.write(f'测试集得分: {pipeline.score(X_test, y_test)}\n')

In [4] — 随机森林模型训练与预测 7分

# 创建随机森林回归模型实例（决策树数量为100） 2分 rf_model = (, random_state=42) # 训练随机森林回归模型 2分 # 使用随机森林模型进行预测 2分 y_pred_rf = # 保存新的结果 1分 results_rf_df = pd.DataFrame(y_pred_rf, columns=['预测结果']) ('2.2.2_results_rf.txt', index=False) # 测试模型并保存得分 with open('2.2.2_report_rf.txt', 'w') as results_rf_file: results_rf_file.write(f'训练集得分: {rf_model.score(X_train, y_train)}\n') results_rf_file.write(f'测试集得分: {rf_model.score(X_test, y_test)}\n')

人工智能训练师（三级）实操考试 — 2.2.2 智慧交通中燃油效率随机森林模型开发与测试