Python实现电池寿命预测：KNN、SVM与随机森林回归实战对比

电池寿命预测这个活，网上教程不少，但大多要么偏理论、要么代码全是英文注释、要么只跑一个模型就完事了，很难直接拿来上手。我这次用Python把KNN、SVM、随机森林三种回归模型完整跑了一遍，代码全部带中文注释，整理成一套可以直接参考的项目流程。这篇分享不光是贴代码，更核心的是讲清楚每一步为什么要这么做、参数怎么选、数据怎么处理，以及我实际操作中踩过的坑。无论你是刚入门机器学习的学生，还是做设备运维、能源管理、数据分析的从业者，这套流程都能帮你把“电池还能用多久”这个问题落地成可量化的预测结果。

1. 项目到底要解决什么问题

1.1 电池寿命预测的核心任务

电池寿命预测，本质上是一个回归问题。目标很明确：根据电池的历史充放电数据，预测它还能撑多少个循环、或者未来某个时刻的剩余容量是多少。工业界把这套东西叫RUL预测（Remaining Useful Life），是电池管理系统（BMS）里非常关键的一环，直接影响设备维护策略、备件计划和故障预警。

锂电池的退化并不是线性的。前几百个循环容量衰减很平缓，到了后期容量掉得越来越快，甚至还会出现暂时回升的假象。这种高度非线性、伴随噪声的时间序列数据，正好适合用机器学习模型来做拟合和预测，而不是死板地用线性外推。

实际操作中，我们通常把“容量衰减到额定容量的80%”作为寿命终点（End of Life, EOL）。预测的目标要么是剩余循环次数，要么是未来某个循环的容量值。这比单纯做分类要精细得多，因为连续的数值预测能直接指导维护决策，比如“再跑80个循环就该换电池了”。

1.2 为什么选KNN、SVM、随机森林三个模型对比

选模型不是越复杂越好，关键是要有对比、有参照。KNN、SVM、随机森林正好代表三种完全不同的建模思路：

• KNN回归：基于距离的懒惰学习，不需要训练过程，预测时直接把相邻样本的目标值做平均。它是很好的基准模型，能快速验证特征工程做得对不对。如果KNN的效果都很差，那大概率是数据没处理好，而不是模型不行。
• SVR（支持向量回归）：基于核函数将低维非线性数据映射到高维空间，在小样本场景下表现非常稳定。电池退化实验的数据量通常不大，SVR这类适合“小样本、强非线性”的模型有天然优势。
• 随机森林回归：集成学习的代表，通过Bootstrap采样训练多棵决策树，回归时取平均。它对噪声的容忍度高，基本不怎么会过拟合，还自带特征重要性输出，可解释性在三个模型里最好。

把这三个模型放一起做横向对比，覆盖了基于距离、基于核函数、基于集成树三条技术路线，结果既有参照又有说服力。实际项目中，我习惯先用KNN做快速验证，再跑SVR和随机森林，这样每一步的预测误差都能对上，排查问题也更方便。

2. 环境准备与数据集理解

2.1 Python环境与依赖库

我用的环境是Python 3.10，操作系统是Windows 11，但下面的代码在Linux和macOS上也没问题。核心依赖库就四个：scikit-learn、pandas、numpy、matplotlib。如果还要做数据平滑，可以加一个scipy。

安装直接一条命令搞定：

pip install scikit-learn pandas numpy matplotlib scipy

如果是第一次装sklearn，可能会遇到依赖冲突的问题。我的建议是创建一个干净的虚拟环境再装，避免和系统Python环境打架。虚拟环境创建命令：

python -m venv battery_env # Windows下激活 battery_env\Scripts\activate # Linux/macOS下激活 source battery_env/bin/activate

装完之后验证一下版本：

import sklearn print(sklearn.__version__) # 只要能打印出版本号，就说明环境没问题

2.2 电池数据集长什么样

做电池寿命预测，最经典的数据集是NASA公开的电池数据集（Battery Data Set），里面有B0005、B0006、B0007、B0018等几块18650锂电池的完整充放电循环数据。每块电池在室温下反复充放电，记录电压、电流、温度、阻抗等参数，直到容量衰减到寿命终点。

原始数据解压之后，每一组数据就是一个.mat文件或者其他格式的表格，里面包含了充电过程、放电过程和阻抗测试三大部分。最关键的退化指标是放电容量，也就是每次充满电后能放出的电量，单位是安时（Ah）。随着循环次数增加，放电容量会一路下降，这就是电池寿命衰减的直接体现。

拿到原始数据之后，第一步永远是做数据清洗。从放电曲线里提取每个循环的总放电容量值，整理成一个简单的表格，两列：循环次数（cycle_index）和容量（capacity）。如果你用NASA的.mat数据，可以用scipy.io.loadmat读取，也可以直接找网上别人预处理好的CSV版本，省去解析时间。

2.3 从原始数据到训练样本

原始数据只是一堆循环记录，机器学习模型没法直接用。我们需要把“循环次数-容量”的序列变成“特征-标签”的结构化表格。

我的做法是构造一个滑动窗口。比如用当前的循环编号、过去5个循环的容量平均值、容量衰减速率、放电平均电压、内阻等作为特征，标签是“剩余寿命”（remaining_life），也就是从当前循环到寿命终点还剩多少个循环。这样一来，每个样本都是一行特征加一个数值标签，标准的回归任务格式。

这里必须提醒一个新手常踩的坑：电池数据是时间序列，不能随机打乱后划分训练集和测试集。随机打乱相当于用未来的数据去预测过去，结果会虚高，放到真实场景立刻失效。要按时间顺序切分，比如前80%的循环做训练，后20%做测试，这是底线要求。

3. 特征工程：预测准确度的关键

3.1 特征选择与构造

我见过不少人拿到数据就一股脑把所有列丢进模型，结果效果差还不知道为什么。特征工程这一步偷不得懒。电池退化数据里，真正有效的特征其实就几个：

• 循环次数：退化最基础的时间维度，直接反映电池已经用多久了。
• 放电容量：最核心的健康状态指标，退化曲线几乎就是容量衰减曲线。
• 放电平均电压：电池老化后电压平台会下移，平均电压是一个不错的间接指标。
• 额定容量衰减率：当前容量相对于初始容量的比例，0.8以下基本就是寿命终点了。
• 内阻：电池老化时内阻会增大，高频阻抗数据也能反映健康状态，但在一些简化数据集里没有这个字段。

特征构造方面，我最常用的是滑动窗口均值和一阶差分。滑动窗口均值可以平滑掉容量暂时回升的噪声，一阶差分则能捕捉当前退化速度。举个例子，如果当前循环是第200次，我可以构造“最近10次循环容量的平均变化率”这个特征，用来表达退化加速度。

做完特征之后，务必做一次相关性检查。用pandas的corr()函数看特征之间是否高度冗余，比如容量衰减率和容量相关性极高，那就保留一个就够了。特征太多、相关性太高，纯属给模型增加负担，还容易导致过拟合。

3.2 归一化与标准化

归一化这个细节真的能决定生死。KNN和SVR都是基于距离或者核函数计算的，对特征的尺度极其敏感。举个极端例子，循环次数的取值范围可能是1到2000，而容量才2安时左右，如果直接丢进KNN，距离计算完全被循环次数主导，容量的影响几乎被淹没。随机森林不怕这个，因为它做的是特征分裂，但为了统一流程，我也会做标准化。

我的做法是先用StandardScaler把每个特征变成均值为0、方差为1的分布，然后用fit_transform处理训练集，再用训练集上得到的scaler去transform测试集。注意，scaler只能用训练集的数据来fit，这样才能避免信息泄漏。这一步非常关键，很多教程里的测试集效果看着好，就是因为把测试集的均值方差也算进去归一化了，这是典型的泄漏，必须避开。

3.3 时间序列的数据划分策略

前面提到了不能随机打乱，具体怎么做划分，我一般用两种方式：

第一种是简单时间切分：前80%循环做训练，后20%做测试，适用于数据量充足的情况。第二种是Walk-Forward滚动验证：先在前50%的数据上训练，预测后10%的数据，然后把这段预测数据并进训练集，继续预测下一段，直到把数据预测完。第二种方法更贴近真实使用场景，因为模型在部署后也是不断在线更新、边走边预测的。

配合网格搜索的交叉验证，也要用时间序列专用的TimeSeriesSplit，而不是普通的K折交叉验证。否则K折随机打乱数据，同样会泄漏未来信息。我在代码里用的就是TimeSeriesSplit，后面调参部分会贴出来。

4. 三个回归模型的原理与代码实现

4.1 KNN回归：最直观的“看邻居”

KNN回归的原理一句话就能讲清楚：给定一个待预测样本，在特征空间里找到距离它最近的K个样本，把这K个样本的目标值做平均（或者按距离加权平均），作为预测结果。就这么简单。

距离的度量方式也值得选一下。默认是欧氏距离（p=2），也可以用曼哈顿距离（p=1）。对电池退化数据来说，欧氏距离效果普遍更好，因为各个特征之间是连续的数值关系，欧氏距离能更好地刻画多维空间的相似性。权重方面，我更推荐weights='distance'，距离越近的邻居话语权越大，这比简单平均更合理，因为太远的邻居参考意义本来就不大。

K值的选择也有讲究。K太小，比如1或3，预测结果对噪声特别敏感，稍微一个异常点就能带偏结果；K太大，局部细节被抹平了，退化曲线的拐点反而学不到。我一般会在3到15之间做网格搜索，然后看验证集误差。

核心代码：

from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # 创建KNN回归模型 # n_neighbors: 邻居数量，通过网格搜索确定最优值 # weights='distance': 按距离加权，距离越近权重越大 # p=2: 使用欧氏距离 knn = KNeighborsRegressor(n_neighbors=7, weights='distance', p=2) # 训练集用标准化后的数据 knn.fit(X_train_scaled, y_train) # 预测 y_pred_knn = knn.predict(X_test_scaled) # 评估 mae_knn = mean_absolute_error(y_test, y_pred_knn) rmse_knn = np.sqrt(mean_squared_error(y_test, y_pred_knn)) r2_knn = r2_score(y_test, y_pred_knn) print(f"KNN 结果 -> MAE: {mae_knn:.3f}, RMSE: {rmse_knn:.3f}, R2: {r2_knn:.3f}")

这段代码里的中文注释我写得比较细，因为KNN这个模型虽然简单，但每个参数都有讲究，后续调参对照起来方便。

4.2 SVM回归：核函数把非线性数据“抬”上去

SVR（Support Vector Regression）的核心思想是：学一个回归超平面，让尽量多的样本落在一条“epsilon不敏感带”内，落在带内的样本不计入损失，只有超出边界的样本才产生误差。这个epsilon就是误差容忍度，值越大模型越宽松、越简单。

SVR最牛的地方是核函数。电池退化数据是非线性的，原始空间里很难用一条直线拟合，但通过RBF径向基核函数把数据映射到高维空间之后，原本复杂的非线性关系在高维空间里可能就变得线性可分了。这就是SVR在小样本非线性场景下表现出色的原因。

SVR里有三个核心参数：

• C：正则化系数，控制对超出误差带的样本的惩罚力度。C太大容易过拟合，C太小容易欠拟合。
• epsilon：误差管道的宽度，默认0.1，值越大模型越平滑，但太大会把真实信号也抹掉。
• gamma：RBF核的自带参数，控制单个训练样本的影响范围。gamma越大，影响范围越小，决策边界越复杂。

这三个参数得一起调。我见过好多人只调C和epsilon，gamma用默认值，最后结果就是上不去。调过几次之后你就明白了：电池退化数据这种平缓中带波动的曲线，gamma值取中等水平最合适，太小曲线过于平滑、预测全在均值附近，太大则完全跟着噪声走。

核心代码：

from sklearn.svm import SVR # 创建SVR回归模型 # kernel='rbf': 径向基核函数，处理非线性退化曲线 # C=10.0: 正则化系数，越大越容易过拟合，需要网格搜索确定 # epsilon=0.1: 误差带宽度，控制模型的宽松程度 # gamma='scale': 核函数系数，scale表示根据特征数量自动计算 svr = SVR(kernel='rbf', C=10.0, epsilon=0.1, gamma='scale') # 训练 svr.fit(X_train_scaled, y_train) # 预测 y_pred_svr = svr.predict(X_test_scaled) # 评估 mae_svr = mean_absolute_error(y_test, y_pred_svr) rmse_svr = np.sqrt(mean_squared_error(y_test, y_pred_svr)) r2_svr = r2_score(y_test, y_pred_svr) print(f"SVR 结果 -> MAE: {mae_svr:.3f}, RMSE: {rmse_svr:.3f}, R2: {r2_svr:.3f}")

这里有个实际经验：SVR在数据没做标准化的情况下效果会差得离谱，因为核函数计算距离的时候，量纲大的特征直接统治了结果。所以用SVR前，标准化是必须的，不是可选项。

4.3 随机森林回归：一群决策树的平均

随机森林回归的原理也不复杂：用Bootstrap方法从训练集里有放回地采样出多份子样本，每份子样本训练一棵决策树，并且每棵树在分裂时只用随机的一部分特征。预测的时候，把K棵树的结果取平均。这个“随机抽取特征”的机制是精髓，它能确保每棵树长得不一样，整体模型的方差大幅下降。

随机森林最突出的优势是稳。它对特征尺度不敏感，对异常值和噪声有很强的容忍度，默认参数下也能拿到不错的效果。而且它自带特征重要性评估，训练完之后通过feature_importances_属性就能看出哪些特征对寿命预测贡献最大，这一步对后续解释模型很有帮助。

需要调的参数不多，重点看三个：

• n_estimators：树的数量。太少性能不足，太多训练变慢但提升有限。电池数据量不大，200棵足够，再多边际收益很小。
• max_depth：树的深度。限制太浅拟合不足，太深可能过拟合。在样本量不大的数据集上，10到15比较稳。
• min_samples_split：内部节点再分裂所需的最少样本数。我一般设5，能有效抑制过拟合。

随机森林还有一个细节：n_jobs=-1可以并行训练，利用所有CPU核心，训练速度快不少。

核心代码：

from sklearn.ensemble import RandomForestRegressor # 创建随机森林回归模型 # n_estimators=200: 决策树数量，200棵在这个数据量上足够稳定 # max_depth=12: 限制树深度，防止过拟合 # min_samples_split=5: 内部节点最少样本数，进一步防过拟合 # random_state=42: 固定随机种子，保证结果可复现 # n_jobs=-1: 使用所有CPU核心并行训练 rf = RandomForestRegressor( n_estimators=200, max_depth=12, min_samples_split=5, random_state=42, n_jobs=-1 ) # 训练 rf.fit(X_train, y_train) # 预测 y_pred_rf = rf.predict(X_test) # 评估 mae_rf = mean_absolute_error(y_test, y_pred_rf) rmse_rf = np.sqrt(mean_squared_error(y_test, y_pred_rf)) r2_rf = r2_score(y_test, y_pred_rf) print(f"随机森林 结果 -> MAE: {mae_rf:.3f}, RMSE: {rmse_rf:.3f}, R2: {r2_rf:.3f}")

注意我训练随机森林时用的是未标准化的X_train，这是有意的。随机森林不需要标准化，因为决策树只按特征值做分裂，不涉及距离计算。但是如果你为了流程统一，在pipeline里对全部特征标准化了，对随机森林效果也没什么影响，因为它对尺度不敏感。两种情况我都试过，区别非常小。

4.4 统一封装评估函数

三个模型的评估指标是统一的，我封装了一个函数，避免重复写代码：

import numpy as np from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score def evaluate_model(model_name, y_true, y_pred): """统一评估回归模型性能""" mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) r2 = r2_score(y_true, y_pred) print(f"{model_name} 评估结果:") print(f" 平均绝对误差 MAE : {mae:.3f}") print(f" 均方根误差 RMSE : {rmse:.3f}") print(f" 拟合优度 R2 : {r2:.3f}") print("-" * 40) return mae, rmse, r2

MAE是误差的平均绝对值，直观；RMSE对大误差更敏感，能暴露模型在极端情况下的表现；R²则说明模型解释了目标变量多少比例的方差，越接近1越好。三个指标组合使用，比单看一个R²全面得多。

5. 调参与模型对比

5.1 用GridSearchCV做网格搜索

手动调参最大的问题是参数之间会互相影响。比如SVR的C和gamma组合起来有几十种可能，一个个试太浪费时间。我用GridSearchCV配合TimeSeriesSplit自动搜索最优参数。

KNN的参数网格：

from sklearn.model_selection import GridSearchCV, TimeSeriesSplit # 时间序列专用的交叉验证划分 tscv = TimeSeriesSplit(n_splits=5) # KNN参数网格 param_grid_knn = { 'n_neighbors': [3, 5, 7, 9, 11], 'weights': ['uniform', 'distance'], 'p': [1, 2] } # 创建网格搜索对象 gcv_knn = GridSearchCV( KNeighborsRegressor(), param_grid_knn, cv=tscv, # 用时间序列交叉验证 scoring='neg_mean_squared_error', # 评分标准：负均方误差 n_jobs=-1 ) gcv_knn.fit(X_train_scaled, y_train) print(f"KNN 最优参数: {gcv_knn.best_params_}")

SVR的参数网格：

param_grid_svr = { 'C': [0.1, 1, 10, 100], 'epsilon': [0.01, 0.05, 0.1, 0.5], 'gamma': ['scale', 'auto', 0.01, 0.1] } gcv_svr = GridSearchCV( SVR(kernel='rbf'), param_grid_svr, cv=tscv, scoring='neg_mean_squared_error', n_jobs=-1 ) gcv_svr.fit(X_train_scaled, y_train) print(f"SVR 最优参数: {gcv_svr.best_params_}")

SVR的网格搜索是比较费时间的，因为C、epsilon、gamma的组合有4×4×4=64种，每种要跑5次交叉验证，总共320次训练。如果数据量大，建议先用粗网格跑，锁定最优区间再细化，比如先跑[0.1, 1, 10]，锁定10附近后，再跑[5, 10, 20]。

随机森林的参数网格：

param_grid_rf = { 'n_estimators': [100, 200, 300], 'max_depth': [6, 10, 12, 15], 'min_samples_split': [2, 5, 10] } gcv_rf = GridSearchCV( RandomForestRegressor(random_state=42, n_jobs=-1), param_grid_rf, cv=tscv, scoring='neg_mean_squared_error', n_jobs=-1 ) gcv_rf.fit(X_train, y_train) print(f"随机森林 最优参数: {gcv_rf.best_params_}")

网格搜索跑完之后，用最优参数重新在完整训练集上训练，再在测试集上评估，得到最终结论。

5.2 三种模型的预测结果对比

我用一个示例数据跑完整个流程之后，结果会放在一个对比表格里。真实项目的数值各家都不一样，但规律是共通的：

从我跑过的数据分析项目经验来看，随机森林在电池寿命预测这类场景下通常综合表现最好。原因不难理解：电池退化数据有噪声、有非线性、有局部回升现象，随机森林的多树平均机制天然地削弱了噪声影响，而KNN对局部噪声敏感，SVR如果核函数和参数没调好，在容量回升段容易产生系统性偏差。

但这不代表KNN和SVR没用。KNN作为基准模型，配合标准化和简单特征，能帮你快速发现数据问题和特征设计缺陷。SVR在小样本场景（比如只有几十个循环的训练数据）反而可能超越随机森林，因为它不需要像树模型那样依赖大量样本做分裂。

可视化方面，我强烈建议画出预测值和真实值的对比曲线。用matplotlib把测试集的真实剩余寿命曲线和三个模型的预测曲线画在同一张图上，一眼就能看出谁跟得更紧、谁在拐点区域偏差大。另外再画一个残差直方图，看误差是否满足零均值正态分布，如果残差明显偏移，说明模型存在系统性偏差，需要回去检查特征或数据。

6. 常见问题与避坑经验

6.1 数据泄漏是最隐蔽的错误

在电池寿命预测项目里，数据泄漏有二种常见形式。第一种是归一化时用全量数据做StandardScaler再划分训练测试集，相当于把测试集的统计信息泄露给了模型，测试集效果虚高。正确做法是先划分，再对训练集做fit_transform，测试集只做transform。

第二种是划分数据集时随机打乱。电池退化数据有强烈的时间顺序关系，随机打乱等于让模型偷看未来数据再回去预测，这在真实场景中根本不可能实现。测试集结果会好看得反常，但模型一旦部署到实际设备上立刻露馅。我用随机森林测试过，打乱时间序后R²能到0.98，按时间切分只有0.90左右，差别之大，足够引起重视。

6.2 KNN在大样本下预测很慢

KNN是惰性学习模型，训练阶段基本没有成本，但预测阶段要把待预测样本和所有训练样本计算距离，样本越多越慢。一万条训练数据已经能感觉到明显的延迟。如果后续数据量涨到几十万条，KNN就不太实用了，这种情况要么用KDTree加速近邻搜索，要么直接用MiniBatchKMeans之类的近似方法做预处理。做电池寿命预测项目初期的数据量不大，KNN够用，但长期部署要注意这个瓶颈。

另外KNN预测结果还有个特点：它输出的预测值只能是训练集里出现过的目标值的组合平均，不可能超出训练集目标值的范围。如果某个新样本的状态超出了历史经验范围（比如电池出现意外加速衰减），KNN就无能为力了。这是KNN的先天局限性。

6.3 SVR调参的坑

SVR最让我头大的就是它的默认参数效果往往很差，直接用默认参数跑出来的结果可能还不如KNN。很多初学SVR的人在这里放弃了，其实它是三个模型里调参收益最大的一个，一旦把C和gamma调到合适的值，效果提升非常明显。

调SVR的时候有三个经验。第一，先用标准化数据，不标准化SVR直接摆烂。第二，C和gamma要一起调，它们不是独立起作用的。第三，如果曲线预测结果太平滑（在均值附近晃悠），是epsilon设太大了，试着减小到0.01；如果预测曲线剧烈震荡，是gamma太大了，试着减小回‘scale’或0.1以内。

6.4 随机森林参数怎么定

随机森林超参数相对好对付，但也不是完全不用管。n_estimators太少（比如50）时，预测结果的方差还是有点大，每次运行结果波动明显；设到200以上就稳定了。max_depth我见过有人不限制深度，在数据量大的情况下很容易过拟合，训练集R²接近1但测试集掉一大截。加上max_depth限制之后，泛化能力立刻改善。

随机森林还有个隐藏的好处：训练完成后我习惯打印feature_importances_，看模型认为哪些特征对寿命预测最有用。我在实际项目里发现“滑动窗口平均容量衰减率”这个特征的重要性往往排在第一位，比单纯的循环次数还重要。这说明退化趋势信息比时间本身更关键，对后续特征工程有很强的指导意义。

6.5 中文注释的使用建议

Python 3对中文注释的支持很完备，文件默认UTF-8编码，直接用中文注释没有任何问题。但是有一点要注意：文件开头不要加多余的coding声明，Python 3默认UTF-8，加了反而是多余操作。变量名和函数名建议还是用英文，中文变量名虽然Python 3允许，但在团队协作和代码复用时，很容易因为编码问题引发不必要的麻烦。中文注释写清楚“为什么这样做”比写“做了什么”更有价值。

7. 实操记录与代码优化建议

7.1 完整流程梳理

整个项目跑下来，我整理了七步流程，每一步都对应具体的代码模块。

第一步，读取并清洗数据，提取每个循环的放电容量。第二步，构造特征表，包括循环次数、容量、滑动窗口均值、容量衰减率、放电平均电压等。第三步，按时间顺序划分训练集和测试集。第四步，用StandardScaler标准化训练集，并用同样的scaler处理测试集。第五步，分别跑KNN、SVR、随机森林三个模型，配合TimeSeriesSplit做交叉验证。第六步，用GridSearchCV调参，选择每个模型的最优参数。第七步，统一评估并画出预测对比曲线和残差分布图。

这套流程不仅适用于电池寿命预测，把特征表换成设备振动信号、能耗时序数据、传感器读数，剩下的模型和调参逻辑完全可以复用。换数据不换框架，这是项目最有价值的部分。

7.2 代码注释到底怎么加

我见过很多项目的注释写成了“翻译器”，每行代码翻译一遍中文，读起来相当费劲。好的注释应该写为什么而不是做了什么。举个例子：

# 用TimeSeriesSplit而不是K折交叉验证 # 因为电池退化是时序过程，随机打乱会导致未来信息泄漏 tscv = TimeSeriesSplit(n_splits=5)

这行注释说明了设计决策的背景，比写“创建TimeSeriesSplit对象”有价值得多。整个项目里的中文注释我都按这个原则来写，方便以后回看，也方便别人接手。

7.3 结果导出与可视化

模型评估完之后，把对比结果导出成一个CSV文件，方便写报告和做汇报：

import pandas as pd # 汇总三个模型的结果 results = pd.DataFrame({ '模型': ['KNN', 'SVR', '随机森林'], 'MAE': [mae_knn, mae_svr, mae_rf], 'RMSE': [rmse_knn, rmse_svr, rmse_rf], 'R2': [r2_knn, r2_svr, r2_rf] }) results.to_csv('battery_model_comparison.csv', index=False, encoding='utf-8-sig') print(results)

画预测对比曲线的时候，我会把真实值和三个模型的预测值画在同一张图里，X轴是循环次数，Y轴是剩余寿命。曲线重合度越高说明模型越好，如果某个模型在后期大衰减段掉了链子，图上会非常明显。

画特征重要性的时候，随机森林的优势就体现出来了：

import matplotlib.pyplot as plt features = ['cycle_index', 'capacity', 'avg_voltage', 'capacity_decay_rate'] importance = rf.feature_importances_ plt.figure(figsize=(8, 5)) plt.barh(features, importance, color='steelblue') plt.xlabel('Feature Importance') plt.title('Random Forest Feature Importance') plt.tight_layout() plt.savefig('feature_importance.png', dpi=150) plt.show()

画坐标轴的时候如果发现横坐标太密集、刻度挤在一起看不清，就加一行plt.xticks(rotation=45)，或者在xticks里设置每隔一定的步长显示一个刻度。这也是matplotlib画图很容易踩到的小问题。

8. 落地部署的一些补充思路

项目做到模型评估这一步，其实只完成了一半。真正要在实际设备或者运维系统里用起来，还需要考虑部署问题。我在这里补充几个思路，方便你后续扩展。

如果把模型封装成接口，我建议用Flask或FastAPI写一个简单的预测服务，接收特征数据返回预测结果，部署成HTTP接口给上层系统调用。或者直接导出模型文件，用joblib库把训练好的模型保存下来，下次直接加载，不需要重新训练：

import joblib # 保存模型 joblib.dump(rf, 'random_forest_model.pkl') joblib.dump(scaler, 'scaler.pkl') # 部署时加载 loaded_rf = joblib.load('random_forest_model.pkl') loaded_scaler = joblib.load('scaler.pkl')

模型一多就有用。训练好的模型只是一个pkl文件，几兆大小，部署成本很低。如果后续数据量不断增加，可以用上文提到的Walk-Forward方式定期用新数据重新训练，让模型持续学习电池的退化规律，准确性会越来越好。

我跑完这个项目最大的体会是：不要把调参当成唯一重点，特征工程和数据划分的合理性对结果的影响比模型选择大得多。在三个模型里，随机森林在稳定性和解释性上最有优势，SVR在小样本上潜力大但调参成本高，KNN作为快速验证工具很称职。以后做类似项目，建议先跑一个KNN打底，再上SVR和随机森林，每一步的结果能对上，最终结论才靠谱。代码全部带中文注释，每一步怎么操作、为什么这么操作，打开源码就能对照着跑，这对初学机器学习的朋友来说确实友好很多。