葡萄酒质量数据集分析
Posted
技术标签:
【中文标题】葡萄酒质量数据集分析【英文标题】:Analysis of Wine Quality dataset 【发布时间】:2019-02-01 21:35:07 【问题描述】:我有一个数据集,它根据酸含量、密度、pH 等因素解释葡萄酒的质量。我附上链接,该链接将显示葡萄酒质量数据集。根据数据集,我们需要使用多类分类算法来分析这个数据集,使用训练和测试数据。如果我错了,请纠正我?
Wine_Quality.csv 数据集
https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/
我还使用主成分分析算法来处理这个数据集。以下是我使用的代码:-
# -*- coding: utf-8 -*-
"""
Created on Sun Aug 26 14:14:44 2018
@author: 1022316
"""
# Wine Quality testing
#Multiclass classification - PCA
#importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#importing the Dataset
dataset = pd.read_csv('C:\Machine learning\winequality-red_1.csv')
X = dataset.iloc[:, 0:11].values
y = dataset.iloc[:, 11].values
# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
#Applying the PCA
from sklearn.decomposition import PCA
pca = PCA(n_components = 2 )
X_train = pca.fit_transform(X_train)
X_test = pca.fit_transform(X_test)
explained_variance = pca.explained_variance_ratio_
# Fitting Logistic Regression to the Training set
#from sklearn.tree import DecisionTreeClassifier
#classifier = DecisionTreeClassifier(max_depth = 2).fit(X_train, y_train)
#y_pred = classifier.predict(X_test)
#classifier = LogisticRegression(random_state = 0)
#classifier.fit(X_train, y_train)
#Fiiting the Logistic Regression model to the training set
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(random_state = 0)
classifier.fit(X_train, y_train)
#Predicting thr Test set results
y_pred = classifier.predict(X_test)
# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
如果我使用了该数据集的正确算法,请告诉我。此外,正如我所见,我们有 9 个类别,该数据集将被划分到其中。还请告诉我如何在不同的类中相应地可视化和绘制数据。
【问题讨论】:
只是通过快速扫描数据集:似乎这些类别非常不平衡,很多葡萄酒的质量“平均”(大约 5 种),而异常值的数据很少。确保在您的预测中尊重类似的东西!此外,尝试将您的问题缩小到一个特定问题,而不是一次询问多个问题。这增加了对您和社区都有帮助的机会。 回应@dennlinger 所说的:这个问题有点太宽泛了,因为它很适合这个网站。关于机器学习方面的一条评论:不要在测试数据上重新拟合 PCA! (在X_test = pca.fit_transform(X_test)
)。相反,将训练数据的转换应用到测试数据。
大家好,您能否详细说明一下您所解释的查询和答案。
另外请告诉我如何以及在哪里可以发布此类问题和疑问?
【参考方案1】:
根据数据集,我们需要使用多类分类算法来分析这个数据集,使用训练和测试数据。如果我错了,请纠正我?
正确。
如果我使用了该数据集的正确算法,请告诉我。
是的。但是更系统的应用它们的方法是:首先使用 PCA 来直观地探索类的可分离性及其组件的相对信息性(您使用的是前两个)。然后,在原始高维和PCA低维特征空间中应用逻辑回归。
#importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
#importing the Dataset
dataset = pd.read_csv('winequality-red.csv', sep=';') # https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv
sns.countplot(dataset['quality'])
观察:6 个类别和高类别不平衡(6 个可能是因为我们在您分享的页面中使用了不同的数据集)。
此外,正如我所见,我们有 9 个类别,该数据集将被划分到其中。还请告诉我如何在不同的类中相应地可视化和绘制数据。
# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X = sc.fit_transform(X)
#Applying the PCA
from sklearn.decomposition import PCA
fig = plt.figure(figsize=(12,6))
pca = PCA()
pca_all = pca.fit_transform(X)
pca1 = pca_all[:, 0]
pca2 = pca_all[:, 1]
fig.add_subplot(1,2,1)
plt.bar(np.arange(pca.n_components_), 100*pca.explained_variance_ratio_)
plt.title('Relative information content of PCA components')
plt.xlabel("PCA component number")
plt.ylabel("PCA component variance % ")
fig.add_subplot(1,2,2)
plt.scatter(pca1, pca2, c=y, marker='x', cmap='jet')
plt.title('Class distributions')
plt.xlabel("PCA Component 1")
plt.ylabel("PCA Component 2")
有许多指标可用于量化多类分类性能。使用accuracy:
# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
#Fiiting the Logistic Regression model to the training set
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
classifier = LogisticRegression(random_state = 0)
# PCA 2D space
X_train, X_test, y_train, y_test = train_test_split(pd.DataFrame(data=pca_all).iloc[:,0:2], y, test_size = 0.25, random_state = 0)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
accuracy_pca_2d = accuracy_score(y_test, y_pred)
# PCA 3D space
X_train, X_test, y_train, y_test = train_test_split(pd.DataFrame(data=pca_all).iloc[:,0:3], y, test_size = 0.25, random_state = 0)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
accuracy_pca_3d = accuracy_score(y_test, y_pred)
# PCA 2D space
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
accuracy_original = accuracy_score(y_test, y_pred)
plt.figure()
sns.barplot(x=['pca 2D space', 'pca 3D space', 'original space'], y=[accuracy_pca_2d, accuracy_pca_3d, accuracy_original])
plt.ylabel('accuracy')
这表明在缩减的 PCA 2D 空间中进行分类具有负面影响;至少,根据这个措施和设置。
为了可视化混淆矩阵,可以使用this。申请原太空案:
【讨论】:
以上是关于葡萄酒质量数据集分析的主要内容,如果未能解决你的问题,请参考以下文章
机器学习回归的原理学习与葡萄酒数据集的最小二乘法线性回归实例