视频：南京大学 用Python玩转数据 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划分数据，构成左开右闭区间，（2,4],(4,6],(6,8].quality的值是3-8，因此，3、4一组，5、6一组、7、8一组
group_names=['low','medium','high']
#分箱划分数据的组名
wine['quality_lb']=pd.cut(wine['quality'],bins=bins, labels=group_names)
lb_quality=LabelEncoder()
#为quality属性分配标签，0、1、2
wine['label'] = lb_quality.fit_transform(wine['quality_lb'])
#对数据进行统一处理
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
#将目标属性和特征属性分开
from sklearn.model_selection import train_test_split
#随机从样本中按比例选取训练数据和测试数据,test_size用于设置测试集的比例
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函数对测试集和训练集进行标准化处理
from sklearn.metrics import confusion_matrix
rfc=RandomForestClassifier(n_estimators=200)
#随机森林：并行式集成学习代表Bagging类型，对原始数据集进行多次随机采样，得到多个不同的采样集，基于每个采样集训练一个决策树基学习器，结合基学习器，通过投票或取均值等方式获得较高精确度和泛化性能。
#通过随机森林函数构建分类器，n_estimators利用最大投票数或均值预测前，建立基学习器的数量
rfc.fit(x_train,y_train) #训练
y_pred=rfc.predict(x_test) #预测
print(confusion_matrix(y_test,y_pred))
#混淆矩阵，列为预测值，行为实际类别
#调参
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，给出最优化的参数和结果，适合小数据集
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))
数据描述
最终结果
混淆矩阵
{'criterion': 'gini', 'n_estimators': 60}
[[ 19 0 23]
[ 0 0 9]
[ 9 2 258]]
看对角线，对角线上的数为正确判断的数据记录的条数。第一行代表19个高品质判断正确，23表示类别“0”倍误判成类别“2”的记录条数。
问题
编程在spyder上进行，不得不说，真的好用。没有遇到跑不通的情况，但有些问题不太明白。
2 1319
0 217
1 63
为啥2是medium，1是low，0是high?
补充
fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解释：简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。
transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解释：在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。
fit_transform(): joins the fit() and transform() method for transformation of dataset.
解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换。
transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）
fit_transform(trainData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。
————————————————
版权声明：【补充】为CSDN博主「堂姐在这儿。」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/weixin_38278334/article/details/82971752