-
Notifications
You must be signed in to change notification settings - Fork 0
/
tyre_wear_calc.py
48 lines (37 loc) · 1.65 KB
/
tyre_wear_calc.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
def train_model(X_train, y_train, num_estimators=100):
"""Treina um modelo de regressão com Random Forest."""
model = RandomForestRegressor(n_estimators=num_estimators, random_state=42)
model.fit(X_train, y_train)
return model
def predict_laps(model, user_input):
"""Faz a previsão do número de voltas com base nos dados do usuário."""
predicted_laps = model.predict([user_input])
return predicted_laps[0]
def main():
# Dados de exemplo (substitua isso pelos seus dados reais)
tire_pressure = np.array([30.5, 29.8, 31.2, 30.0])
track_temperature = np.array([25.0, 28.0, 30.0, 27.5])
laps_before_change = np.array([20, 25, 18, 22])
# Combina as características em uma matriz
X = np.column_stack((tire_pressure, track_temperature))
# Variável alvo
y = laps_before_change
# Divide os dados em conjuntos de treinamento e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Treina o modelo
model = train_model(X_train, y_train)
# Faz previsões no conjunto de teste
y_pred = model.predict(X_test)
# Calcula o RMSE (Erro Quadrático Médio)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"Erro Quadrático Médio: {rmse:.3f}")
# Exemplo de previsão para entrada do usuário
user_input = [30.3, 28.5]
predicted_laps = predict_laps(model, user_input)
print(f"Laps Previstas: {predicted_laps:.2f}")
if __name__ == "__main__":
main()