在本次分析中，我使用了隨機(jī)森林回歸，并涉及數(shù)據(jù)標(biāo)準(zhǔn)化和超參數(shù)調(diào)優(yōu)。在這里，我使用隨機(jī)森林分類器，對(duì)好酒和不太好的酒進(jìn)行二元分類。

首先導(dǎo)入數(shù)據(jù)包：

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimport seaborn as sns

導(dǎo)入數(shù)據(jù)：

data = pd.read_csv(‘winequality-red.csv‘)

data.head()

data.describe()

注釋：

fixed acidity：非揮發(fā)性酸

volatile acidity ：?揮發(fā)性酸

citric acid：檸檬酸

residual sugar ：剩余糖分

chlorides：氯化物

free sulfur dioxide ：游離二氧化硫

total sulfur dioxide：總二氧化硫

density：密度

pH：pH

sulphates：硫酸鹽

alcohol：酒精

quality：質(zhì)量

所有數(shù)據(jù)的數(shù)值為1599，所以沒有缺失值。讓我們看看是否有重復(fù)值：

extra =data[data.duplicated()]

extra.shape

有240個(gè)重復(fù)值，但先不刪除它，因?yàn)槠咸丫频馁|(zhì)量等級(jí)是由不同的品酒師給出的。

數(shù)據(jù)可視化

sns.set()

data.hist(figsize=(10,10), color=‘red‘)

plt.show()

只有質(zhì)量是離散型變量，主要集中在5和6中，下面分析下變量的相關(guān)性：

colormap =plt.cm.viridis

plt.figure(figsize=(12,12))

plt.title(‘Correlation of Features‘, y=1.05, size=15)

sns.heatmap(data.astype(float).corr(),linewidths=0.1,vmax=1.0, square=True,

linecolor=‘white‘, annot=True)

觀察:

酒精與葡萄酒質(zhì)量的相關(guān)性最高，其次是各種酸度、硫酸鹽、密度和氯化物。

使用分類器：

將葡萄酒分成兩組;“優(yōu)質(zhì)”>5為“好酒”

y = data.quality #set ‘quality‘ as target

X = data.drop(‘quality‘, axis=1) #rest are features

print(y.shape, X.shape) #check correctness

#Create a new y1

y1 = (y > 5).astype(int)

y1.head()

# plot histogram

ax= y1.plot.hist(color=‘green‘)

ax.set_title(‘Wine quality distribution‘, fontsize=14)

ax.set_xlabel(‘a(chǎn)ggregated target value‘)

利用隨機(jī)森林分類器訓(xùn)練預(yù)測(cè)模型

from sklearn.model_selection importtrain_test_split, cross_val_scorefrom sklearn.ensemble importRandomForestClassifierfrom sklearn.metrics importaccuracy_score, log_lossfrom sklearn.metrics import confusion_matrix

將數(shù)據(jù)分割為訓(xùn)練和測(cè)試數(shù)據(jù)集

seed = 8 #set seed for reproducibility

X_train, X_test, y_train, y_test = train_test_split(X, y1, test_size=0.2,

random_state=seed)

print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

對(duì)隨機(jī)森林分類器進(jìn)行交叉驗(yàn)證訓(xùn)練和評(píng)價(jià)

#Instantiate the Random Forest Classifier

RF_clf = RandomForestClassifier(random_state=seed)

RF_clf

#在訓(xùn)練數(shù)據(jù)集上計(jì)算k-fold交叉驗(yàn)證，并查看平均精度得分

cv_scores = cross_val_score(RF_clf,X_train, y_train, cv=10, scoring=‘a(chǎn)ccuracy‘)print(‘The accuracy scores for the iterations are {}‘.format(cv_scores))print(‘The mean accuracy score is {}‘.format(cv_scores.mean()))

執(zhí)行預(yù)測(cè)

RF_clf.fit(X_train, y_train)

pred_RF= RF_clf.predict(X_test)

#Print 5 results to see

for i in range(0,5):print(‘Actual wine quality is‘, y_test.iloc[i], ‘a(chǎn)nd predicted is‘, pred_RF[i])

在前五名中，有一個(gè)錯(cuò)誤。讓我們看看指標(biāo)。

print(accuracy_score(y_test, pred_LR))print(log_loss(y_test, pred_LR))

print(confusion_matrix(y_test, pred_LR))

總共有81個(gè)分類錯(cuò)誤。

與Logistic回歸分類器相比，隨機(jī)森林分類器更優(yōu)。

讓我們調(diào)優(yōu)隨機(jī)森林分類器的超參數(shù)

from sklearn.model_selection importGridSearchCV

grid_values= {‘n_estimators‘:[50,100,200],‘max_depth‘:[None,30,15,5],‘max_features‘:[‘a(chǎn)uto‘,‘sqrt‘,‘log2‘],‘min_samples_leaf‘:[1,20,50,100]}

grid_RF= GridSearchCV(RF_clf,param_grid=grid_values,scoring=‘a(chǎn)ccuracy‘)

grid_RF.fit(X_train, y_train)

grid_RF.best_params_

除了估計(jì)數(shù)之外，其他推薦值是默認(rèn)值。

RF_clf = RandomForestClassifier(n_estimators=100,random_state=seed)

RF_clf.fit(X_train,y_train)

pred_RF=RF_clf.predict(X_test)print(accuracy_score(y_test,pred_RF))print(log_loss(y_test,pred_RF))

print(confusion_matrix(y_test,pred_RF))

通過超參數(shù)調(diào)諧，射頻分類器的準(zhǔn)確度已提高到82.5%，日志損失值也相應(yīng)降低。分類錯(cuò)誤的數(shù)量也減少到56個(gè)。

將隨機(jī)森林分類器作為基本推薦器，將紅酒分為“推薦”(6級(jí)以上)或“不推薦”(5級(jí)以下)，預(yù)測(cè)準(zhǔn)確率為82.5%似乎是合理的。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的python葡萄酒数据集_利用python分析红葡萄酒数据的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。