葡萄酒质量分类实战：基于决策树的三级分类模型构建指南

1次阅读

共计 2829 个字符，预计需要花费 8 分钟才能阅读完成。

葡萄酒质量评估是酿酒行业的核心需求之一。传统的人工品鉴方式成本高、效率低，且受主观因素影响较大。通过机器学习算法对葡萄酒化学成分进行分析，可以快速、客观地预测质量等级。本文将使用决策树算法，基于 11 种化学成分特征构建分类模型，将葡萄酒质量分为 ’ 差 ’、’ 中等 ’、’ 好 ’ 三个等级。

决策树算法特别适合这类分类问题，因为它：

易于理解和解释
不需要复杂的特征缩放
可以自动选择重要特征
对异常值不敏感

首先我们需要加载并探索数据集。这里使用经典的葡萄酒质量数据集。

import pandas as pd
from sklearn.model_selection import train_test_split

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

# 查看数据概览
print(data.head())
print(data.info())
print(data.describe())

检查数据集中是否存在缺失值
根据情况选择填充或删除策略

# 检查缺失值
print(data.isnull().sum())

# 简单填充缺失值
data = data.fillna(data.mean())

原始数据中的质量评分通常是 1 -10 分的连续值，我们需要将其转换为三个等级：

差 (0- 4 分)
中等 (5- 6 分)
好 (7-10 分)

# 定义分类函数
def classify_quality(score):
    if score <= 4:
        return '差'
    elif score <= 6:
        return '中等'
    else:
        return '好'

# 应用分类
data['quality_level'] = data['quality'].apply(classify_quality)

虽然决策树不需要严格的标准化，但对数值范围差异大的特征进行标准化可以略微提升性能。

from sklearn.preprocessing import StandardScaler

# 选择特征列
features = data.columns.difference(['quality', 'quality_level'])

# 标准化
scaler = StandardScaler()
data[features] = scaler.fit_transform(data[features])

决策树可以自动评估特征重要性，但我们可以先进行初步分析。

import seaborn as sns
import matplotlib.pyplot as plt

# 计算特征相关性
corr = data.corr()

# 绘制热力图
plt.figure(figsize=(12, 8))
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('特征相关性热力图')
plt.show()

基于相关性分析和业务理解，我们可以选择最重要的几个特征：

酒精含量
挥发性酸度
硫酸盐
总二氧化硫
密度

selected_features = ['alcohol', 'volatile acidity', 'sulphates', 'total sulfur dioxide', 'density']
X = data[selected_features]
y = data['quality_level']

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

from sklearn.tree import DecisionTreeClassifier

# 初始化模型
dtree = DecisionTreeClassifier(
    criterion='gini', 
    max_depth=5, 
    min_samples_split=10,
    random_state=42
)

# 训练模型
dtree.fit(X_train, y_train)

criterion: 分裂标准，可选 ’gini’ 或 ’entropy’
max_depth: 树的最大深度，防止过拟合
min_samples_split: 节点分裂所需最小样本数
min_samples_leaf: 叶节点最小样本数

from sklearn.metrics import classification_report, confusion_matrix

# 预测
y_pred = dtree.predict(X_test)

# 分类报告
print(classification_report(y_test, y_pred))

# 混淆矩阵
print(confusion_matrix(y_test, y_pred))

from sklearn.tree import plot_tree

plt.figure(figsize=(20, 10))
plot_tree(dtree, feature_names=selected_features, class_names=dtree.classes_, filled=True)
plt.show()

from sklearn.model_selection import GridSearchCV

# 定义参数网格
param_grid = {'max_depth': [3, 5, 7, 9],
    'min_samples_split': [2, 5, 10],
    'criterion': ['gini', 'entropy']
}

# 初始化网格搜索
grid_search = GridSearchCV(DecisionTreeClassifier(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 最佳参数
print("最佳参数:", grid_search.best_params_)

# 使用最佳参数重新训练
best_dtree = grid_search.best_estimator_

from sklearn.model_selection import cross_val_score

# 5 折交叉验证
cv_scores = cross_val_score(best_dtree, X, y, cv=5)
print("交叉验证平均得分:", cv_scores.mean())