# 根据以下代码 使用python 机器学习 给出代码 设计指数回归模型 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
# 生成数据
def fun_data():
# 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)
# 修改数据类型
data['Measurement_Time'] = data['Measurement_Time'].astype("float64")
return data
# 生成数据
data = fun_data()
# 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
# 生成数据
def fun_data():
# 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)
# 修改数据类型
data['Measurement_Time'] = data['Measurement_Time'].astype("float64")
return data
# 生成数据
data = fun_data()
# 查看数据概览
data.head()
# 查看数据描述统计信息
data.describe()
# 查看数据分布情况（直方图）
data.hist(figsize=(12,10))
plt.show()
# 查看不同退火类型和冷却类型下的物料温度分布情况（箱线图）
sns.boxplot(x='Annealing_Type', y='Temperature', hue='Cooling_Type', data=data)
plt.show()
# 查看物料温度与其他特征的相关性（热力图）
sns.heatmap(data.corr(), annot=True, cmap='coolwarm')
plt.show()
# 选择特征变量和目标变量
X = data[['Width', 'Thickness', 'Weight', 'Workshop_Temperature', 'Measurement_Time', 'Annealing_Type', 'Cooling_Type']]
y = data['Temperature']
# 对类别变量进行独热编码
X = pd.get_dummies(X, columns=['Annealing_Type', 'Cooling_Type'])
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X_train, y_train)
# 预测测试集
y_pred = model.predict(X_test)
# 评估模型
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)
print('MSE:', mse)
print('RMSE:', rmse)
print('R2:', r2)
# 查看模型系数
coefficients = pd.DataFrame(model.coef_, index=X.columns, columns=['Coefficient'])
coefficients
# 查看模型截距
intercept = model.intercept_
print('Intercept:', intercept)
# 绘制真实值和预测值的散点图
plt.scatter(y_test, y_pred)
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()
# 绘制残差图
residuals = y_test - y_pred
plt.scatter(y_pred, residuals)
plt.xlabel('Predictions')
plt.ylabel('Residuals')
plt.show()
# 对数变换目标变量，使其更接近正态分布
y_log = np.log(y)
# 重新划分训练集和测试集
X_train, X_test, y_train_log, y_test_log = train_test_split(X, y_log, test_size=0.2, random_state=42)
# 重新训练模型
model.fit(X_train, y_train_log)
# 重新预测测试集
y_pred_log = model.predict(X_test)
# 重新评估模型
mse_log = mean_squared_error(y_test_log, y_pred_log)
rmse_log = np.sqrt(mse_log)
r2_log = r2_score(y_test_log, y_pred_log)
print('MSE (log):', mse_log)
print('RMSE (log):', rmse_log)
print('R2 (log):', r2_log)
# 重新查看模型系数
coefficients_log = pd.DataFrame(model.coef_, index=X.columns, columns=['Coefficient (log)'])
coefficients_log
# 重新查看模型截距
intercept_log = model.intercept_
print('Intercept (log):', intercept_log)
# 重新绘制真实值和预测值的散点图（指数还原）
plt.scatter(np.exp(y_test_log), np.exp(y_pred_log))
plt.xlabel('True Values')
plt.ylabel('Predictions')
plt.show()
# 重新绘制残差图（指数还原）
residuals_log = np.exp(y_test_log) - np.exp(y_pred_log)
plt.scatter(np.exp(y_pred_log), residuals_log)
plt.xlabel('Predictions')
plt.ylabel('Residuals')
plt.show()
