根据以下代码所生成的数据 请使用python 机器学习 研究不同宽度,厚度,重量,车间温度,退火类型(O态,H2态),冷却类型(自然冷却,单面风机,双面风机)下, 物料温度随时间增长而指数衰减的规律
# 导入所需的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# 指定支持中文的字体,例如SimHei或者Microsoft YaHei
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
# 读取数据
data = pd.read_csv('data.csv')
# 查看数据的基本信息
print(data.info())
print(data.describe())
# 查看数据的分布情况
sns.pairplot(data, hue='Cooling_Type')
plt.show()
# 查看温度与时间的关系
sns.lineplot(x='Measurement_Time', y='Temperature', data=data, hue='Cooling_Type', style='Annealing_Type')
plt.show()
# 对温度取对数,使其更接近线性关系
data['Log_Temperature'] = np.log(data['Temperature'])
# 选择特征变量和目标变量
X = data[['Width', 'Thickness', 'Weight', 'Workshop_Temperature', 'Measurement_Time']]
y = data['Log_Temperature']
# 对类别变量进行独热编码
X = pd.get_dummies(X, columns=['Workshop_Temperature'], prefix='WT')
X = pd.get_dummies(X, columns=['Measurement_Time'], prefix='MT')
# 创建一个线性回归模型
model = LinearRegression()
# 拟合数据
model.fit(X, y)
# 预测数据
y_pred = model.predict(X)
# 计算评估指标
mse = mean_squared_error(y, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y, y_pred)
# 打印评估指标
print('MSE:', mse)
print('RMSE:', rmse)
print('R2:', r2)
# 打印回归系数和截距
print('Coefficients:', model.coef_)
print('Intercept:', model.intercept_)
# 绘制预测值和真实值的散点图
plt.scatter(y, y_pred)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()
import numpy as np
import pandas as pd
# 定义物料数量
num_materials = 40
# 定义每个物料的温度测量次数和时间间隔
num_measurements = 10
time_interval_hours = 6
# 创建一个时间数组,模拟测量时间点
measurement_times = np.arange(0, num_measurements * time_interval_hours, time_interval_hours)
# 创建一个空的DataFrame来存储数据
data = pd.DataFrame(columns=['Material_ID', 'Measurement_Time', 'Width', 'Thickness', 'Weight', 'Workshop_Temperature',
'Annealing_Type', 'Cooling_Type', 'Temperature'])
# 模拟每个物料的数据
for material_id in range(1, num_materials + 1):
# 生成物料特征数据(宽度、厚度、重量、车间温度、退火类型、冷却类型)
width = np.random.uniform(5, 20) # 宽度范围在5到20之间
thickness = np.random.uniform(1, 5) # 厚度范围在1到5之间
weight = np.random.uniform(10, 100) # 重量范围在10到100之间
workshop_temperature = np.random.uniform(20, 30) # 车间温度范围在20到30之间
annealing_type = np.random.choice(['O态', 'H2态']) # 随机选择退火类型
cooling_type = np.random.choice(['自然冷却', '单面风机', '双面风机']) # 随机选择冷却类型
# 模拟温度数据(指数衰减)
initial_temperature = np.random.uniform(100, 200) # 初始温度范围在100到200之间
decay_rate = np.random.uniform(0.01, 0.1) # 衰减速率范围在0.01到0.1之间
temperature_data = initial_temperature * np.exp(-decay_rate * measurement_times)
# 创建一个临时DataFrame来存储物料的数据
material_data = pd.DataFrame({
'Material_ID': [material_id] * num_measurements,
'Measurement_Time': measurement_times,
'Width': [width] * num_measurements,
'Thickness': [thickness] * num_measurements,
'Weight': [weight] * num_measurements,
'Workshop_Temperature': [workshop_temperature] * num_measurements,
'Annealing_Type': [annealing_type] * num_measurements,
'Cooling_Type': [cooling_type] * num_measurements,
'Temperature': temperature_data
})
# 将物料数据添加到总体数据中
data = pd.concat([data, material_data], ignore_index=True)
data_1 = data.set_index(data.columns.drop(data.columns[[1, -1]]).tolist() + ['Measurement_Time'])
data.to_csv(r'data.csv', encoding="utf_8_sig")