R 语言 wine 数据集可视化

最新推荐文章于 2024-07-10 16:47:28 发布

Mrrunsen

最新推荐文章于 2024-07-10 16:47:28 发布

阅读量1.6k

点赞数 1

分类专栏： R语言大学作业文章标签： r语言算法开发语言

本文链接：https://blog.csdn.net/Mrrunsen/article/details/125403487

版权

R语言大学作业专栏收录该内容

该专栏为热销专栏榜第90名

1412 篇文章 6275 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了R语言中wine数据集的分析，数据集包含178个葡萄酒样本的化学分析，无缺失值。研究发现Hue、Proanthocyanins、Dilution、Phenols和Flavanoids等变量间存在较强相关性。在决策树分类模型中，选择了Flavanoids、Proline和Color作为特征；而在随机森林模型中，Proline是最重要的变量。

摘要由CSDN通过智能技术生成

该wine数据集包含对意大利特定地区种植的葡萄酒的化学分析结果。178 个样品中代表了三种类型的葡萄酒，每个样品记录了 13 次化学分析的结果。

数据集是否存在缺失值

data(wine, package="rattle") 
library(VIM )
aggr(wine, prop=FALSE, numbers=TRUE)

数据集不存在缺失值

数据集的变量中哪些变量存在相关？

library(ggcorrplot)
wine[,-1] %>%
  cor() %>%
  round(2) %>%
  ggcorrplot(hc.order = TRUE,lab = TRUE)

Hue， Proanthocyanins , Dilution Phenols Flavanoids 这几个变量的相关性比较大

决策树分类模型可视化，会使用哪些特征

library(rpart)
dtree <- rpart(Type ~

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Mrrunsen

关注关注

1
点赞
踩
10

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

R语言作业wine 数据

Mrrunsen的博客

09-01

1265

该数据最初来自于UCI机器学习库（http://www.ics.uci.edu/~mlearn/MLRepository.html），但是可以通过rattle 包获得。在这个数据集里，观测值代表三种葡萄酒的品种，由第一个变量（类型）表示。可以看到（随机数种子为1234）：训练集占总样本集的70%共124个样本，测试集占30%共54个样本。朴素贝叶斯模型和拉普拉斯平滑模型在测试集的正确率是1。基本的朴素贝叶斯模型的测试集上3个类都成功预测了。其中1类有59个，2类有71个，3类有48个。

wine数据集

05-16

实验数据wine、iris、balance SCale和cal"选自 UCI数据库，UCI数据库是一个专门用于测试分类、聚类算法的国际通用数据库。把该文的改进算法与随机选取初始聚类中心的方法进行了比较

参与评论您还未登录，请先登录后发表或查看评论

基于R语言的机器学习数据分析——以酒类数据为例

热门推荐

qq_45105409的博客

07-21

2万+

R语言对数据的分析 数据集信息：From http://archive.ics.uci.edu/ml/datasets/Wine+Quality这两个数据集与葡萄牙“Vinho佛得角”葡萄酒的红色和白色变种有关。欲了解更多详情，由于隐私和逻辑问题，只有物理化学(输入)和感官(输出)变量是可用的(例如，没有关于葡萄品种、葡萄酒品牌、葡萄酒销售价格等的数据)。这些数据集可视为分类或回归任务。这类葡萄...

R语言红酒质量数据集

08-30

R语言红酒质量经典数据集，字段有非挥发性酸性挥发性酸性柠檬酸剩余糖分氯化物游离二氧化硫二氧化硫总量浓度 pH 硫酸盐酒精质量等级等级指的是红酒最终质量等级，可作为标签

基于wine数据集的数据分析报告(R语言).doc

12-23

该数据分析报告基于Wine数据集，这是一个常用的多变量分析数据集，包含白葡萄酒的4898个样本，每个样本有12个属性，用于预测葡萄酒的品质。报告重点介绍了数据挖掘过程，包括数据探索性分析（EDA）以及几种常见算法...

葡萄酒数据集wine

12-21

葡萄酒数据集，基于Wine数据集的数据分析报告 R语言+实验结果文档

Wine数据集

11-12

UCI标准数据集中的Wine数据集，可以用来数据分析或机器学习

数据分析葡萄酒数据集wine.data

04-17

包括wine.data和wine.names，数据分析书籍上经典数据集

wine(葡萄酒)数据集

11-13

压缩文件包含有winequality-red、winequality-white数据集

使用R语言对红葡萄酒数据集进行探索性数据分析

01-17

使用R语言对红葡萄酒数据集进行探索性数据分析影响红葡萄酒品质的化学成分探索本报告探讨的数据集包含1,599 种红酒，以及 11个关于酒的化学成分的变量。至少3名葡萄酒专家对每种酒的品质进行了评分，分数在 0（非常差）和10（非常好）之间。红葡萄酒数据集包含1599种葡萄酒信息，我从理解数据集中的各个变量开始，对各个变量进行观察，探索红葡萄酒中的化学成分对红葡萄酒品质的影响，酒精和红葡萄酒品质有较强的正相关关系，挥发性酸度和红葡萄酒品质有较强的负相关关系，酒精越高，挥发性酸度越低，红葡萄酒品质越好。酒精和硫酸盐与红葡萄酒品质是正相关关系，酒精越高，硫酸盐越高，红葡萄酒品质越好。柠檬酸单独对红葡萄酒的品质几乎没有影响，但是较高的柠檬酸和较高的酒精会对红葡萄酒的品质产生积极影响。

基于wine数据集的数据分析报告.zip

10-28

在本报告中，我们利用R语言的库和函数进行数据清洗、探索性数据分析（EDA）、建模以及结果可视化。 2. **数据导入与预处理**：首先，我们使用`read.csv`或`read.table`函数导入wine数据集。数据预处理包括处理缺失...

R语言常用数据集 | WineTasting：品酒师对三种葡萄酒的喜好程度

公众号/简说基因，知乎/简宝玉

03-29

251

【简说基因】R 语言数据集对于数据科学和统计学具有重要的作用，可以帮助提高数据分析和可视化能力、验证和改进统计模型和算法、促进社区合作和知识共享。WineTasting 是 WRS2 包中一个虚构的数据集。在这个数据集中，有三种葡萄酒（A、B 和 C），由 22 位品酒师品尝了这三种葡萄酒（盲品），并根据对每种酒的喜好程度给出 1 到 7 的评分。library(WRS2) WineTastin...

R 语言Analyzing wine data

Mrrunsen的博客

06-26

170

Assignment 1 Q2 Analyzing wine data (30 points) The data for this exercise comes from a paper by Cortez, et al. (2009) (https://www.sciencedirect.com/science/article/abs/pii/S0167923609001377?via%3Dihub) where the authors were trying to relate various chem

第二章 wine数据集几种可视化集合

Big波斯的博客

04-08

5829

第二章 wine数据集几种可视化集合文章目录第二章 wine数据集几种可视化集合前言一、wine红酒质量数据集二、使用步骤1.引入库2.读入数据总结前言学习数据挖掘，用于记录练习和回顾一、wine红酒质量数据集 数据地址：https://archive.ics.uci.edu/ml/datasets/Wine 二、使用步骤 1.引入库 import pandas as pd import numpy as np import matplotlib.pyplot as plt import se

wine数据集MLP分类并可视化代码

06-13

以下是使用MLP对Wine数据集进行分类并可视化的代码示例： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_wine from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score # 加载数据 wine = load_wine() X = wine.data y = wine.target # 数据标准化 scaler = StandardScaler() X_std = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_std, y, test_size=0.3, random_state=0) # MLP分类 mlp = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000) mlp.fit(X_train, y_train) # 预测测试集结果 y_pred = mlp.predict(X_test) # 计算准确率 acc = accuracy_score(y_test, y_pred) print("Accuracy:", acc) # 可视化分类结果 plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred) plt.show() ``` 在这个示例中，我们首先加载了Wine数据集并进行了标准化处理。然后我们将数据集划分为训练集和测试集。接下来，我们使用MLPClassifier来训练模型，并使用测试集预测结果。最后，我们计算了模型的准确率，并使用Matplotlib库可视化了分类结果。