项目五 任务4 探索机器学习技术的实践认知与体验

项目五

对话汽车的学习委员—机器学习技术在汽车中的应用主讲教师：陈舒畅汽车智能技术专业教学资源库任务4探索机器学习技术的实践认知与体验

主讲教师：陈舒畅汽车智能技术专业教学资源库CONTENT一、数据拟合实践二、驾驶习惯聚类分析汽车智能技术专业教学资源库三、机器学习技术的挑战与讨论汽车智能技术专业教学资源库学习目标知识目标：1.理解利用Excel工具实现简单机器学习模型（线性回归）模拟训练的基本原理与方法；2.掌握使用Python进行驾驶行为聚类分析的基本流程与算法原理；3.认识机器学习技术在汽车应用中面临的主要挑战及其解决方案。技能目标：1.能够运用Excel完成“车速-油耗”数据的拟合分析，建立回归模型并进行预测验证；2.能够使用Python读取Excel数据、执行K-means聚类分析，并可视化驾驶风格分类结果；3.能够针对机器学习在汽车应用中的具体挑战，提出数据采集、模型选择等方面的优化建议素养目标：1.培养通过实践操作理解技术原理的动手能力和数据分析思维；2.建立对技术落地难点的系统性认知，形成“发现问题-分析问题-解决问题”的职业思维习惯；3.增强对智能汽车技术发展的实践认知和创新意识。汽车智能技术专业教学资源库4.1Excel模拟简单机器学习模型：数据拟合实践

机器学习的核心逻辑是“从数据中学习内在规律，并基于规律实现未知预测”。Excel的

“数据拟合”

功能可直观模拟简单监督学习模型的训练过程，帮助建立“数据→特征→模型→预测”

的基础认知，本部分以“车速-油耗”数据拟合为例展开实践教学。一、实践准备（一）数据来源选取某燃油轿车在30~120km/h常见行驶区间的百公里油耗实测数据（表5-4-1），数据覆盖低速、中速、高速场景，符合汽车动力运行规律，为模型训练提供可靠样本。（二）工具要求使用MicrosoftExcel2016及以上版本或者WPS，确保“插入-图表-散点图”“添加趋势线”功能正常，满足数据可视化与模型拟合需求。（三）实践目标通过拟合获取“车速-油耗”关系模型，掌握模型训练步骤，实现未知车速油耗预测，理解监督学习“从已知推未知”的核心逻辑。汽车智能技术专业教学资源库车速（km/h）30405060708090100110120百公里油耗（L/100km）9.28.57.87.26.97.17.588.89.5二、实践步骤（一）数据录入与整理1.启动Excel，新建工作簿；2.第一行录入：A1单元格输入“车速（km/h）”，B1~K1依次录入30、40、…、120；3.第二行录入：A2单元格输入“百公里油耗（L/100km）”，B2~K2依次录入对应油耗数据；4.数据校验：检查无空值、无异常值（如油耗为负或远超合理范围），确保数据质量，校验后数据如图5-4-1。图5-4-1原始数据汽车智能技术专业教学资源库

1.选中数据区域（A1:K2，含表头）；2.点击菜单栏“插入”→“图表”→“散点图”，选择任意一种形式；3.图表优化：双击修改图表标题为“车速-油耗关系散点图”，X轴标题“车速（km/h）”，Y轴标题“百公里油耗（L/100km）”，如图5-4-2；4.趋势分析：油耗随车速呈“U型”变化——30~70km/h油耗下降（发动机高效工况），70km/h以上油耗上升（空气阻力增大），符合汽车动力原理。汽车智能技术专业教学资源库（二）绘制散点图，观察数据趋势二、实践步骤汽车智能技术专业教学资源库1.右键点击任意数据点，选择“添加趋势线”，打开“设置趋势线格式”面板；2.选择趋势线类型：因数据呈非线性“U型”，选择“多项式”→“次数=2”（二次函数模型y=ax2+bx+c）；3.勾选“显示公式”“显示R²值”：公式用于预测计算，R²值反映拟合效果（越接近1，解释能力越强）；4.模型解读：通过生成拟合公式（如y=0.0012x2−0.1714x+13.355），R2≈0.98，表明模型可解释98%的油耗变化，拟合效果优秀，如图5-4-3。（三）添加趋势线，生成回归模型二、实践步骤汽车智能技术专业教学资源库1.预测计算以65km/h为例，代入公式得：y=0.0012×652−0.1714×65+13.355≈7.284L/100km2.合理性验证对比已知数据（60km/h油耗7.2L、70km/h油耗6.9L），预测值比70km/h油耗低，符合“70km/h为油耗最低点”的规律，模型可靠。（四）模型预测与验证二、实践步骤三、实践总结汽车智能技术专业教学资源库Excel数据拟合是“简化版监督学习”：通过已知“车速-油耗”数据（训练集）学习规律（二次函数），再用于未知预测，与复杂机器学习模型（如随机森林、LSTM）的“数据→规律→预测”逻辑一致，为后续学习奠定基础。汽车智能技术专业教学资源库4.2基于Python的车载学习功能模拟：驾驶习惯聚类分析

车载学习功能通过分析驾驶行为数据，自动识别不同驾驶风格，是实现汽车个性化服务的关键技术。本实践使用Python读取Excel数据并进行聚类分析，以理解机器学习在汽车中的实际应用原理。汽车智能技术专业教学资源库（一）数据来源创建一个名为"驾驶行为数据.xlsx"的Excel文件，包含数据如下表5-4-2所示。这三个特征的选择基于实际车载系统的数据采集维度：急刹车次数反映驾驶安全性，平均车速反映驾驶节奏，急加速次数反映驾驶激进程度，共同构成判断驾驶风格的关键指标体系。驾驶员急刹车次数平均车速急加速次数张师傅1452李师傅3554王师傅1503赵师傅4656刘师傅2605陈师傅5707杨师傅2483黄师傅4625周师傅1522吴师傅3584一、实践准备汽车智能技术专业教学资源库一、实践准备（二）工具与环境要求1.Python环境：3.8及以上版本，确保兼容性；2.必要库安装：pandas（数据处理）、scikit-learn（机器学习）、matplotlib（可视化）、openpyxl（Excel文件操作）；3.开发环境：PyCharm社区版，提供友好的代码编辑和调试界面；4.数据文件：驾驶行为数据.xlsx，放置在代码同目录下。（三）实践目标通过读取Excel数据并使用K-means聚类算法，将10位驾驶员自动分为3种驾驶风格，理解车载系统如何学习驾驶习惯。具体包括：1.使用Python读取和处理Excel格式的驾驶数据；2.应用K-means聚类算法自动识别驾驶风格；3.通过可视化技术直观展示分析结果；4.理解车载学习系统"数据→特征→模型→分类"的技术逻辑。汽车智能技术专业教学资源库二、实践步骤

数据读取是机器学习分析的第一步，需要将存储在Excel中的结构化数据加载到Python环境中。pandas库提供了高效的Excel文件读取功能，能够自动识别表格结构并转换为DataFrame数据格式，为后续分析奠定基础。代码如下：（一）读取Excel数据importpandasaspdimportmatplotlib.pyplotaspltfromsklearn.clusterimportKMeans#从Excel文件读取驾驶行为数据df=pd.read_excel('驾驶行为数据.xlsx')print("从Excel读取的驾驶行为数据：")print(df)print("\n数据基本信息：")print(f"数据形状：{df.shape}")#显示数据行数和列数print(f"数据列名：{df.columns.tolist()}")#显示所有列名

特征选择是机器学习的关键环节，需要从原始数据中提取对分类有意义的特征。本实践选择急刹车次数、平均车速和急加速次数三个维度，这些特征在实际车载系统中同样被广泛使用，能够有效表征驾驶行为的差异性。代码如下：#选择用于聚类的三个特征列features=df[['急刹车次数','平均车速','急加速次数']]print("\n用于聚类的特征数据：")print(features)#检查数据基本情况print("\n特征数据统计描述：")print(features.describe())汽车智能技术专业教学资源库二、实践步骤（二）数据预处理与特征选择（三）执行K-means聚类分析

K-means是无监督学习的经典算法，通过计算数据点间的欧氏距离，将相似样本自动归为同一类别。设置聚类数为3，对应稳健型、温和型和激进型三种典型驾驶风格，算法会自动寻找最优的分类边界。代码如下：#使用K-means算法进行聚类分析kmeans=KMeans(n_clusters=3,random_state=42)#设置分为3类，random_state保证结果可重现df['驾驶风格标签']=kmeans.fit_predict(features)#执行聚类并获得标签#将数字标签转换为具体风格名称style_map={0:'稳健型',1:'温和型',2:'激进型'}df['驾驶风格']=df['驾驶风格标签'].map(style_map)print("\n聚类分析结果：")print(df[['驾驶员','急刹车次数','平均车速','急加速次数','驾驶风格']])汽车智能技术专业教学资源库二、实践步骤（四）结果可视化展示

可视化是理解聚类结果的重要手段。通过散点图展示不同驾驶风格在特征空间中的分布，饼图显示各类别占比，帮助学生直观理解算法分类效果。中文字体设置确保图表标签正确显示。代码如下：#设置中文字体支持plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False#用来正常显示负号#创建可视化图表plt.figure(figsize=(12,4))#左图：驾驶风格散点图（车速vs急刹车）plt.subplot(1,2,1)colors={'稳健型':'green','温和型':'blue','激进型':'red'}汽车智能技术专业教学资源库二、实践步骤forstyle,colorincolors.items():style_data=df[df['驾驶风格']==style]plt.scatter(style_data['平均车速'],style_data['急刹车次数'],c=color,label=style,s=100,alpha=0.7)plt.xlabel('平均车速(km/h)')plt.ylabel('急刹车次数(次/天)')plt.title('驾驶风格聚类分析结果')plt.legend()plt.grid(True,alpha=0.3)汽车智能技术专业教学资源库#右图：各驾驶风格分布比例plt.subplot(1,2,2)style_counts=df['驾驶风格'].value_counts()plt.pie(style_counts.values,labels=style_counts.index,autopct='%1.0f%%',colors=['green','blue','red'])plt.title('驾驶风格分布比例')plt.tight_layout()plt.show()（四）结果可视化展示二、实践步骤（五）聚类结果分析与验证

结果分析阶段需要验证聚类效果的合理性。通过计算各风格的特征平均值，检验分类结果是否符合驾驶行为常识。保存分析结果到新文件，完整复现产业中的数据流转流程。代码如下：##分析各驾驶风格的特征平均值print("\n各驾驶风格特征分析：")result=df.groupby('驾驶风格')[['急刹车次数','平均车速','急加速次数']].mean()print(result.round(1))#验证聚类结果的合理性print("\n聚类结果验证：")print("1.稳健型驾驶员：急刹车次数少(平均1.3次)，车速适中(49km/h)，驾驶平稳")汽车智能技术专业教学资源库print("2.温和型驾驶员：各项指标适中，为最常见驾驶风格(占比40%)")print("3.激进型驾驶员：急刹车次数多(平均4.3次)，车速较高(65.7km/h)，驾驶风格激烈")#保存分析结果到新Excel文件df.to_excel('驾驶风格分析结果.xlsx',index=False)print("\n分析结果已保存至'驾驶风格分析结果.xlsx'文件")二、实践步骤汽车智能技术专业教学资源库三、实践总结本实践完整模拟了车载学习功能中的驾驶习惯识别过程，建立了从数据到智能分类的完整认知：通过Excel格式的数据读取，复现了产业中常见的数据管理方式，体现了数据标准化的重要性。数据标准化处理通过双图表可视化，既展示了技术结果，也培养了学生的数据表达能力。可视化技术应用选择的三个特征不仅具有明确的物理意义，而且与实际车载系统的特征选择逻辑一致，帮助学生理解特征工程的原理。特征工程实践整个实践流程完整复现了"数据采集→特征提取→模型训练→结果输出"的技术链条，与实际系统的技术逻辑高度吻合。产业技术衔接K-means聚类算法的成功应用，证明了无监督学习在驾驶风格识别中的有效性，算法结果符合驾驶行为学的基本规律。算法应用验证汽车智能技术专业教学资源库4.3机器学习技术的挑战与讨论结合实践与观察，机器学习在汽车应用中面临“数据、可解释性、实时性”三大挑战，分析挑战本质与应对思路，培养“问题解决”思维。汽车智能技术专业教学资源库4.3机器学习技术的挑战与讨论一、数据量与数据质量的挑战（一）核心问题1.小样本不足：新车型上市初期，故障、驾驶数据积累少，导致模型泛化能力差；2