AIStudio红葡萄酒数据集实战：决策树与随机森林模型评估全解析

共计 2755 个字符，预计需要花费 7 分钟才能阅读完成。

背景介绍

红葡萄酒数据集是经典的分类任务数据集，包含 11 个理化特征（如酒精含量、酸度等）和 1 个目标变量（质量评分 3 - 8 分）。建模目标是通过理化指标预测葡萄酒质量等级。该数据集特点包括：

• 特征均为数值型，无需独热编码
• 样本量适中（约 1600 条），适合快速验证模型
• 类别分布不均衡，需注意评估指标选择

数据预处理

关键步骤包括缺失值处理、特征缩放和数据集划分：

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 加载数据
data = pd.read_csv('winequality-red.csv')

# 检查缺失值
print(data.isnull().sum())  # 本数据集无缺失值

# 特征与标签分离
X = data.drop('quality', axis=1)
y = data['quality']

# 标准化特征（树模型可不做，但为统一流程保留）scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集测试集（7:3）X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

模型训练

决策树实现

from sklearn.tree import DecisionTreeClassifier

# 基础决策树（关键参数说明）dtree = DecisionTreeClassifier(
    max_depth=5,          # 控制树深度防过拟合
    min_samples_split=10, # 节点最小样本数
    criterion='gini',     # 分裂标准
    random_state=42
)
dtree.fit(X_train, y_train)

随机森林实现

from sklearn.ensemble import RandomForestClassifier

# 基础随机森林（关键参数说明）rf = RandomForestClassifier(
    n_estimators=100,     # 树的数量
    max_features='sqrt',  # 每棵树考虑的特征数
    max_depth=7,          # 单棵树最大深度
    random_state=42
)
rf.fit(X_train, y_train)

评估指标详解

多分类任务需采用宏平均（macro）或加权平均（weighted）：

from sklearn.metrics import (
    accuracy_score, precision_score, 
    recall_score, f1_score
)

# 决策树评估
y_pred_dtree = dtree.predict(X_test)
print(f"决策树准确率: {accuracy_score(y_test, y_pred_dtree):.3f}")
print(f"加权精确率: {precision_score(y_test, y_pred_dtree, average='weighted'):.3f}")
print(f"加权召回率: {recall_score(y_test, y_pred_dtree, average='weighted'):.3f}")
print(f"加权 F1 值: {f1_score(y_test, y_pred_dtree, average='weighted'):.3f}")

# 随机森林评估（代码结构相同，略）

指标说明：
1. 准确率 ：正确预测占总样本的比例
2. 精确率 ：预测为正类的样本中实际为正类的比例
3. 召回率 ：实际为正类的样本中被正确预测的比例
4. F1 值 ：精确率和召回率的调和平均数

结果可视化

混淆矩阵

import matplotlib.pyplot as plt
from sklearn.metrics import ConfusionMatrixDisplay

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 5))
ConfusionMatrixDisplay.from_estimator(dtree, X_test, y_test, ax=ax1, cmap='Blues')
ax1.set_title('Decision Tree')

ConfusionMatrixDisplay.from_estimator(rf, X_test, y_test, ax=ax2, cmap='Greens')
ax2.set_title('Random Forest')
plt.show()

ROC 曲线（需二分类转换）

from sklearn.metrics import RocCurveDisplay
from sklearn.preprocessing import label_binarize

# 将多类标签转为二分类形式
y_test_bin = label_binarize(y_test, classes=[3,4,5,6,7,8])

# 绘制每类的 ROC 曲线
fig, ax = plt.subplots(figsize=(8, 6))
for i in range(6):
    RocCurveDisplay.from_estimator(rf, X_test, y_test_bin[:, i], 
        name=f'Class {i+3}', ax=ax)
plt.plot([0, 1], [0, 1], 'k--')
plt.show()

避坑指南

常见问题 1：忽略类别不平衡

• 现象 ：高准确率但少数类识别差
• 解决 ：采用加权指标或过采样技术（如 SMOTE）

常见问题 2：过度依赖单一指标

• 现象 ：只关注准确率忽略其他指标
• 解决 ：综合观察 F1 值和混淆矩阵

常见问题 3：测试集信息泄露

• 现象 ：预处理时在整个数据集上 fit
• 解决 ：确保 scaler 只在训练集上 fit

进阶建议

1. 特征重要性分析 ：

   importances = rf.feature_importances_
   feat_importances = pd.Series(importances, index=X.columns)
   feat_importances.nlargest(5).plot(kind='barh')

2. 超参数调优 ：使用 GridSearchCV 搜索最佳参数组合

3. 模型融合 ：尝试 Stacking 等集成方法

思考题

1. 当某个质量等级样本量极少时，应该如何处理？
2. 为什么随机森林的 max_features 参数通常设为特征数的平方根？
3. 如何设计自定义评估指标来满足特定业务需求？

通过本实战可以看到，随机森林在大多数指标上优于单棵决策树，尤其在处理类别不平衡时表现更稳定。建议在实践中始终结合多种评估方式，避免陷入单一指标的误区。