葡萄酒品质预测
葡萄酒品质预测
在不平衡的数据集上构建随机森林分类器
Photo by 马克西姆·卡哈雷茨基 on 不飞溅
在本文中，我将解释如何使用随机森林算法构建葡萄酒质量预测模型。获取数据集 这里 .事不宜迟，让我们开始吧！
导入库
将 numpy 导入为 np
将熊猫导入为 pd
将 seaborn 导入为 sns
从 sklearn.svm 导入 SVC
将 matplotlib.pyplot 导入为 plt
从 sklearn.linear_model 导入 SGDClassifier
从 sklearn.preprocessing 导入 LabelEncoder
从 sklearn.model_selection 导入 GridSearchCV
从 sklearn.ensemble 导入 RandomForestClassifier
从 sklearn.metrics 导入
分类报告、混淆矩阵、准确度分数
读取数据集
wine = pd.read_csv('winequality-red.csv')
酒头（）
描述数据
wine.describe()
wine.info()
正如我们在这里看到的，我们总共有 12 列（或特征），这些列包含“1599 个非空”值。我们在上面看到，当我们使用 描述 方法，我们总共有 1599 个观察值，因此这意味着我们的数据中没有缺失值。此外，所有列都具有浮点作为数据类型，除了 质量 这是一个 64 位整数。
大牌公司对学生和初创企业有什么建议？我们问他们！ R 阅读或观看我们的行业问答，了解斯坦福、谷歌和 HuggingFace 团队的建议 .
绘制数据
下面我们绘制我们的目标变量 质量 针对每个单独的（独立的）特征，寻找相关性的任何迹象。
fig = plt.figure(figsize=(15,10)) plt.subplot(3,4,1)
sns.barplot(x='质量',y='固定酸度',data=wine) plt.subplot(3,4,2)
sns.barplot(x='质量',y='挥发性酸度',data=酒) plt.subplot(3,4,3)
sns.barplot(x='质量',y='柠檬酸',data=酒) plt.subplot(3,4,4)
sns.barplot(x='质量',y='残糖',data=wine) plt.subplot(3,4,5)
sns.barplot（x='质量'，y='氯化物'，数据=酒） plt.subplot(3,4,6)
sns.barplot(x='质量',y='游离硫
二氧化碳'，数据=酒） plt.subplot(3,4,7)
sns.barplot(x='质量',y='总硫
二氧化碳'，数据=酒） plt.subplot(3,4,8)
sns.barplot（x='质量'，y='密度'，数据=酒） plt.subplot(3,4,9)
sns.barplot（x='质量'，y='pH'，数据=酒） plt.subplot(3,4,10)
sns.barplot（x='质量'，y='硫酸盐'，数据=酒） plt.subplot(3,4,11)
sns.barplot（x='质量'，y='酒精'，数据=酒） plt.tight_layout()
- 从下面的图中我们可以说：
- 挥发性酸度低时质量高。
- 柠檬酸高时质量高。
- 氯化物含量低时质量高。
- 硫酸盐含量高时质量高。
- 酒精含量越高，质量越高。
计算每个类的实例数
葡萄酒['质量'].value_counts()
- 目前，我们可以看到我们有六个不同的质量等级：3、4、5、6、7、8。让我们将其更改为二元分类问题。
- 我们将从 3 到 6 的每个评分标记为
坏的和 7 或 8 的评级为好的.
制作两类：坏的和好的
范围 = (2,6.5,8)
组= ['坏'，'好']
wine['quality'] = pd.cut(wine['quality'],bins=ranges,labels=groups)
在这里，我们正在切割垃圾箱，使用 pd.cut() 在 2 类 2–6.5 中 坏的 和 6.5–8 为 好的 .请注意，由于所有质量值都是整数，因此这会将所有 6（低于 6.5）的质量得分移至 坏的 类别，同时保持所有质量得分为 7 好的 类别。
将 0 分配给不良，将 1 分配给良好
我们需要机器可以理解的标签，而不是人类。因此，在这一步中，我们将：
- 代替
坏的0。 - 代替
好的由 1。 - 作为参考，请参见下图中的质量列：
labels encoded to 0 and 1
再次检查计数
葡萄酒['质量'].value_counts()
- 现在我们只有 2 个类，0 和 1，或者
坏的和好的.
将数据拆分为训练和测试
从 sklearn.model_selection 导入 train_test_split
X = wine.drop('质量', axis=1)
y = 酒['质量']
X_train, X_test, y_train, y_test= train_test_split(X, y,
test_size=0.3,
随机状态=101)
- 我们可以看到数据高度不平衡，所以我们将在下一步平衡它。
平衡班级
-
我们将使用平衡类
学习的（不平衡学习的）随机过采样班级：从 imblearn.over_sampling 导入 RandomOverSampler
over = RandomOverSampler(random_state=42)
X_train_over, y_train_over = over.fit_resample(X_train, y_train)
X_train_over.shape
注意：在单独对训练集执行平衡技术之前，始终先将数据拆分为测试集和训练集。
最后训练我们的葡萄酒质量预测模型
参数 = {
'n_estimators': np.arange(100, 1001, 100)
} grid_rf= GridSearchCV(RandomForestClassifier(),
参数，评分='准确性'，cv=10，） grid_rf.fit(X_train, y_train)print('最佳参数 --> ', grid_rf.best_params_) # 酒质预测
pred = grid_rf.predict(X_test)
打印（混淆矩阵（y_test，pred））
打印（'\n'）
打印（分类报告（y_test，pred））
打印（'\n'）
打印（accuracy_score（y_test，pred））
我还使用了一些其他算法，如 SVM（支持向量机）和 SGD（随机梯度下降）分类器，但随机森林一如既往地脱颖而出。在这里，我使用 GridSearchCV 和随机森林来找到 n_estimators 范围。最后，我们最终得到了 88.5% 的准确率，这对于这个小数据集来说非常好。
这就是本文的全部内容，感谢阅读！
编者注： 心跳 是一个贡献者驱动的在线出版物和社区，致力于为数据科学、机器学习和深度学习从业者提供一流的教育资源。我们致力于支持和激励各行各业的开发人员和工程师。
编辑独立，心跳由赞助和出版 彗星， 一个 MLOps 平台，使数据科学家和 ML 团队能够跟踪、比较、解释和优化他们的实验。我们付钱给我们的贡献者，我们不卖广告。
如果您愿意贡献，请前往我们的 征集贡献者 .您还可以注册接收我们的每周通讯（ 深度学习周刊 )，查看 彗星博客 ，加入我们 __松弛 ，然后跟随彗星 推特 和 领英 获取资源、事件等，以帮助您更快地构建更好的 ML 模型。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
