視頻：南京大學 用Python玩轉數據 https://www.icourse163.org/course/NJU-1001571005
url: https://archive.ics.uci.edu/ml/datasets/Wine+Quality
# -*- coding: utf-8 -*-
# url: https://archive.ics.uci.edu/ml/datasets/Wine+Quality
import pandas as pd
import seaborn as sns
import matplotlib as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
import warnings
warnings.filterwarnings('ignore')
try:
wine=pd.read_csv('F:/data analysis/wine/winequality-red.csv',sep=';')
except:
print("Cannot find the file!")
print(wine.info())
from sklearn.preprocessing import LabelEncoder
bins=(2,4,6,8)
#bins劃分數據，構成左開右閉區間，（2,4],(4,6],(6,8].quality的值是3-8，因此，3、4一組，5、6一組、7、8一組
group_names=['low','medium','high']
#分箱劃分數據的組名
wine['quality_lb']=pd.cut(wine['quality'],bins=bins, labels=group_names)
lb_quality=LabelEncoder()
#爲quality屬性分配標籤，0、1、2
wine['label'] = lb_quality.fit_transform(wine['quality_lb'])
#對數據進行統一處理
print(wine.label.value_counts())
wine_copy=wine.copy()
wine.drop(['quality','quality_lb'],axis=1,inplace=True)
x=wine.iloc[:,:-1]
y=wine.label
#將目標屬性和特徵屬性分開
from sklearn.model_selection import train_test_split
#隨機從樣本中按比例選取訓練數據和測試數據,test_size用於設置測試集的比例
x_train, x_test, y_train, y_test=train_test_split(x,y,test_size=0.2)
from sklearn.preprocessing import scale
x_train=scale(x_train)
x_test=scale(x_test)
#用scale函數對測試集和訓練集進行標準化處理
from sklearn.metrics import confusion_matrix
rfc=RandomForestClassifier(n_estimators=200)
#隨機森林：並行式集成學習代表Bagging類型，對原始數據集進行多次隨機採樣，得到多個不同的採樣集，基於每個採樣集訓練一個決策樹基學習器，結合基學習器，通過投票或取均值等方式獲得較高精確度和泛化性能。
#通過隨機森林函數構建分類器，n_estimators利用最大投票數或均值預測前，建立基學習器的數量
rfc.fit(x_train,y_train) #訓練
y_pred=rfc.predict(x_test) #預測
print(confusion_matrix(y_test,y_pred))
#混淆矩陣，列爲預測值，行爲實際類別
#調參
param_rfc={"n_estimators":[10,20,30,40,50,60,70,80,90,100,150,200],
"criterion":["gini","entropy"]
}
grid_rfc=GridSearchCV(rfc, param_rfc, iid=False, cv=5)
#GridSearchCV 暴力搜索，給出最優化的參數和結果，適合小數據集
grid_rfc.fit(x_train, y_train)
best_param_rfc=grid_rfc.best_params_
print(best_param_rfc)
rfc=RandomForestClassifier(n_estimators=best_param_rfc['n_estimators'],
criterion=best_param_rfc['criterion'],random_state=0)
rfc.fit(x_train, y_train)
y_pred=rfc.predict(x_test)
print(confusion_matrix(y_test,y_pred))
數據描述
最終結果
混淆矩陣
{'criterion': 'gini', 'n_estimators': 60}
[[ 19 0 23]
[ 0 0 9]
[ 9 2 258]]
看對角線，對角線上的數爲正確判斷的數據記錄的條數。第一行代表19個高品質判斷正確，23表示類別“0”倍誤判成類別“2”的記錄條數。
問題
編程在spyder上進行，不得不說，真的好用。沒有遇到跑不通的情況，但有些問題不太明白。
2 1319
0 217
1 63
爲啥2是medium，1是low，0是high?
補充
fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解釋：簡單來說，就是求得訓練集X的均值，方差，最大值，最小值,這些訓練集X固有的屬性。
transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解釋：在fit的基礎上，進行標準化，降維，歸一化等操作（看具體用的是哪個工具，如PCA，StandardScaler等）。
fit_transform(): joins the fit() and transform() method for transformation of dataset.
解釋：fit_transform是fit和transform的組合，既包括了訓練又包含了轉換。
transform()和fit_transform()二者的功能都是對數據進行某種統一處理（比如標準化~N(0,1)，將數據縮放(映射)到某個固定區間，歸一化，正則化等）
fit_transform(trainData)對部分數據先擬合fit，找到該part的整體指標，如均值、方差、最大值最小值等等（根據具體轉換的目的），然後對該trainData進行轉換transform，從而實現數據的標準化、歸一化等等。
————————————————
版權聲明：【補充】爲CSDN博主「堂姐在這兒。」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。原文鏈接：https://blog.csdn.net/weixin_38278334/article/details/82971752