# 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
from sklearn.model_selection import train_test_split
# 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
# 有40个物料,每个物料测量10次温度,每次间隔6小时,物料温度随时间增长而指数衰减,
# 物料的宽度,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)都会对物料温度的衰减速度产生影响
# 物料温度随时间增长而指数衰减, 物料的宽度,厚度,重量,车间温度对物料温度的衰减速度的影响是正向还是负向的?
# 物料温度随时间增长而指数衰减, 同等厚度,重量下, 物料的宽度对物料温度的衰减速度的影响是正向还是负向的?
# 生成数据
# 不改变初始温度的情况下,
# 宽度越大、厚度越大、重量越大、车间温度越高, 温度随时间衰减的速度越慢,
# 退火类型(O态比H2态更慢)、冷却类型(自然冷却比单面风机更慢, 单面风机比双面风机更慢)
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', 'Cool服务器托管网ing_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
服务器托管网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,不改变
decay_rate_min = 0.01 - width / 1000 - thickness / 1000 - weight / 10000 - workshop_temperature / 1000 # 衰减速率的最小值与宽度、厚度、重量、车间温度负相关
if annealing_type == 'O态': # O态退火比H2态退火更慢,因此衰减速率更低
decay_rate_min -= 0.01
if cooling_type == '自然冷却': # 自然冷却比单面风机更慢,比双面风机更慢,因此衰减速率更低
decay_rate_min -= 0.01
elif cooling_type == '单面风机': # 单面风机比双面风机更慢,因此衰减速率稍低
decay_rate_min -= 0.005
decay_rate_max = decay_rate_min + 0.05 # 衰减速率的最大值比最小值高0.05
decay_rate = np.random.uniform(decay_rate_min, decay_rate_max) # 衰减速率范围根据物料特征和处理方式调整
temperature_data = initial_temperature * np.exp(decay_rate * measurement_times) # 温度随时间的增长呈指数衰减趋势,而不是指数增长趋势
# 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
# 导入数据
data = fun_data()
# 定义自变量和因变量
# 对类别型的自变量进行编码,使用独热编码(one-hot encoding),其他默认为数值型自变量
X = data[['Measurement_Time', 'Width', 'Thickness', 'Weight', 'Workshop_Temperature', 'Annealing_Type', 'Cooling_Type']]
X = pd.get_dummies(X, columns=['Annealing_Type', 'Cooling_Type']) # 将退火类型和冷却类型转换为哑变量
y = data['Temperature'] # 选择温度作为因变量
# 生成一个指数回归模型,以预测温度与其他变量的关系, 并给出模型的函数
# 温度与其他变量的关系呈指数回归, 且温度随时间的增长呈指数衰减趋势, 设计模型如下
# Temperature = np.exp(
# k1 - k2 * Measurement_Time
# - k3 * Width - k4 * Thickness - k5 * Weight - k6 * Workshop_Temperature
# - k7 * Annealing_Type_O态 - k8 * Annealing_Type_H2态
# - k9 * Cooling_Type_自然冷却 - k10 * Cooling_Type_单面风机 - k11 * Cooling_Type_双面风机
# )
# 划分训练集和测试集,使用8:2的比例
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) # 设置随机种子为42
# 对因变量进行对数变换
y_train_log = np.log(y_train)
y_test_log = np.log(y_test)
# 创建线性回归模型对象
model = LinearRegression()
# 拟合训练数据
model.fit(X_train, y_train_log)
# 预测测试数据
y_pred_log = model.predict(X_test)
# 计算均方误差(MSE)和决定系数(R2)
mse = mean_squared_error(y_test_log, y_pred_log)
r2 = r2_score(y_test_log, y_pred_log)
# 打印模型的参数和评估指标
print("Intercept:", model.intercept_)
print("Coefficients:", model.coef_)
print("MSE:", mse)
print("R2:", r2)
# 将模型的函数表示为指数形式
def exp_model(x):
# x是一个包含所有自变量的数组
# 返回一个预测的温度值
log_y = model.intercept_ + np.dot(model.coef_, x)
y = np.exp(log_y)
return y
# 打印模型的函数
print("The exponential regression model is:")
print("Temperature = exp({:.4f} + {:.4f} * Measurement_Time + {:.4f} * Width + {:.4f} * Thickness + {:.4f} * Weight + {:.4f} * Workshop_Temperature + {:.4f} * Annealing_Type_O态 + {:.4f} * Annealing_Type_H2态 + {:.4f} * Cooling_Type_自然冷却 + {:.4f} * Cooling_Type_单面风机 + {:.4f} * Cooling_Type_双面风机)".format(model.intercept_, *model.coef_))
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
机房租用,北京机房租用,IDC机房托管, http://www.fwqtg.net
今天在ChatGLM2-6B 的仓库里看到了这么一个issue: https://github.com/THUDM/ChatGLM2-6B/issues/122: 这位兄弟说的挺好,其中有点小错误:三星Tizen架构 其实不是架构,是属于arm架构 ,Tize…