在本次分析中，我使用了随机森林回归，并涉及数据标准化和超参数调优。在这里，我使用随机森林分类器，对好酒和不太好的酒进行二元分类。
首先导入数据包：
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns
导入数据：
data = pd.read_csv('winequality-red.csv') data.head()
data.describe()
注释：
fixed acidity：非挥发性酸
volatile acidity ： 挥发性酸
citric acid：柠檬酸
residual sugar ：剩余糖分
chlorides：氯化物
free sulfur dioxide ：游离二氧化硫
total sulfur dioxide：总二氧化硫
density：密度
pH：pH
sulphates：硫酸盐
alcohol：酒精
quality：质量
所有数据的数值为1599，所以没有缺失值。让我们看看是否有重复值：
extra = data[data.duplicated()]
extra.shape
有240个重复值，但先不删除它，因为葡萄酒的质量等级是由不同的品酒师给出的。
数据可视化
sns.set() data.hist(figsize=(10,10), color='red') plt.show()
只有质量是离散型变量，主要集中在5和6中，下面分析下变量的相关性：
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)
观察:
酒精与葡萄酒质量的相关性最高，其次是各种酸度、硫酸盐、密度和氯化物。
使用分类器：
将葡萄酒分成两组;“优质”>5为“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('aggregated target value')
利用随机森林分类器训练预测模型
from sklearn.model_selection import train_test_split, cross_val_score from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, log_loss from sklearn.metrics import confusion_matrix
将数据分割为训练和测试数据集
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)
对随机森林分类器进行交叉验证训练和评价
# Instantiate the Random Forest Classifier RF_clf = RandomForestClassifier(random_state=seed) RF_clf
# 在训练数据集上计算k-fold交叉验证，并查看平均精度得分 cv_scores = cross_val_score(RF_clf,X_train, y_train, cv=10, scoring='accuracy') print('The accuracy scores for the iterations are {}'.format(cv_scores)) print('The mean accuracy score is {}'.format(cv_scores.mean()))
执行预测
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], ' and predicted is ', pred_RF[i])
在前五名中，有一个错误。让我们看看指标。
print(accuracy_score(y_test, pred_LR)) print(log_loss(y_test, pred_LR))
print(confusion_matrix(y_test, pred_LR))
总共有81个分类错误。
与Logistic回归分类器相比，随机森林分类器更优。
让我们调优随机森林分类器的超参数
from sklearn.model_selection import GridSearchCV grid_values = {'n_estimators':[50,100,200],'max_depth':[None,30,15,5], 'max_features':['auto','sqrt','log2'],'min_samples_leaf':[1,20,50,100]} grid_RF = GridSearchCV(RF_clf,param_grid=grid_values,scoring='accuracy') grid_RF.fit(X_train, y_train)
grid_RF.best_params_
除了估计数之外，其他推荐值是默认值。
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))
通过超参数调谐，射频分类器的准确度已提高到82.5%，日志损失值也相应降低。分类错误的数量也减少到56个。
将随机森林分类器作为基本推荐器，将红酒分为“推荐”(6级以上)或“不推荐”(5级以下)，预测准确率为82.5%似乎是合理的。