变压器寿命预测（python代码，Logistic Regression模型预测效果一般，可以做对比实验）
1.数据来源官网：Data for: Root cause analysis improved with machine learning for failure analysis in power transformers - Mendeley Data
点Download All 10kb即可下载数据
2.下载下来后是这样
每一列的介绍：
Hydrogen 氢气；
Oxygen 氧气；
Nitrogen 氮气
Methane 甲烷
Carbon Monoxide (CO) 一氧化碳 (CO)
Carbon Dioxide (CO2) 二氧化碳 (CO2)
Ethylene 乙烯
Ethane 乙烷
Acetylene 乙炔
Dissolved Gas Ratio (DBDS) 溶解气体比率
(DBDS) Power Factor 功率因数
Interfacial Voltage (Interfacial V) 界面电压
(Interfacial V) Dielectric Rigidity 介电刚度
Water Content 水分含量
Health Index 健康指数
Life Expectation 寿命预期
3.本次项目的代码流程
导入所需的库和模块，包括NumPy、Pandas、Matplotlib、Seaborn等。
读取数据：从名为"Health index.csv"的CSV文件中读取数据，并对数据进行基本的信息查看和描述统计分析。
定义了一个名为
check的函数，用于检查数据中的缺失值情况，并展示了缺失值的统计信息。使用数据可视化工具绘制了箱线图，以检查数据中的异常值。
根据某些特定条件，找到了数据中一些异常值所在的行。
绘制了特征之间的相关性热力图，以查看特征之间的线性关系。
绘制了数据集中各个特征的直方图，用于查看其分布情况。
使用
StandardScaler对数据进行标准化，使特征具有相似的尺度。对特定特征进行散点图的绘制，以查看它们与目标变量的关系。
进行线性回归模型的训练和评估，包括训练集和测试集的划分、模型拟合、预测和性能指标的计算。
绘制了实际健康指数与预测健康指数的散点图，以可视化模型的性能。
定义了一个名为
Model_Input的字典，包含了特定输入值。创建一个包含新输入数据的DataFrame，并将其与原数据合并。
使用训练好的线性回归模型对新输入数据进行健康指数的预测。
绘制了实际健康指数与预测健康指数的散点图，以展示模型对新输入数据的预测。
代码的主要过程是加载、探索和分析数据，然后使用线性回归模型对健康指数进行预测，并展示结果的可视化。
4.效果视频
变压器寿命预测（python代码，逻辑回归模型预测效果一般，可以做对比实验）_哔哩哔哩_bilibili
测试集预测效果图
测试集