燃油消耗预测：机器学习范式的比较分析

汽车行业面临着不断增加的环境压力，要求精确的预测建模以支持可持续工程设计。本研究从标志性的 Motor Trend 数据集中，探讨决定车辆燃油消耗的因素，通过严谨的定量分析识别出效率的支配性物理因素。方法论方面，研究使用数据清洗、统计离群点消除和深入的探索性数据分析 (EDA) 来抑制动力总成特征之间的多重共线性。对机器学习范式进行比较分析，包括多变量线性回归、支持向量机 (SVM) 和逻辑回归，以评估预测效果。研究结果表明，SVM 回归在连续预测中最为准确 (R-squared = 0.889, RMSE = 0.326)，在捕捉车辆质量与发动机位移之间的非线性关系方面效果显著。并行地，逻辑回归在分类方面表现更佳 (准确率 = 90.8%)，在识别低效率车辆时显示出卓越的召回率 (0.957)。这些结果挑战了当前趋势，即使用黑箱深度学习架构处理静态物理数据集，提供了可解释且经过精细调优的经典模型的稳健性能。研究发现，车辆的固有效率由物理设计参数决定， weight 和 displacement 是决定因素，为制造商应对严格的全球可持续发展目标提供了数据驱动的框架，应重点关注轻量化和发动机减小。