用K-Means算法处理wine数据集和wine_quality数据集

一、实验目的

根据wine数据集处理的结果，采用2种不同的聚类算法分别建聚类模型；然后，通过定量指标评价所构建的模型的优劣。

二、实验内容  

wine数据集和wine_quality数据集是两份和葡萄酒有关的数据集。

wine数据集包含3种同起源的葡萄酒的记录，共178条。其中，每个特征对应葡萄酒的每种化学成分,并且都属于连续型数据。通过化学分析可以推断葡萄酒的起源。

wine_quality数据集共有1599个观察值，11个输入特征和一个标签。其中，不同类的观察值数量不等，所有特征为连续型数据。通过酒的各类化学成分，预测该葡萄酒的评分。

(1) 使用pandas库分别读取wine数据集和wine_quality数据集；将wine数据集和wine_quality数据集的数据和标签拆分开；将wine数据集和wine_quality数据集划分为训练集和测试集；标准化wine数据集和wine_quality数据集；对wine数据集和wine_quality数据集进行PCA降维。

(2) 根据(1)的wine数据集处理的结果，采用2种不同的聚类算法分别构建聚类模型；然后，通过定量指标评价所构建的模型的优劣。

(3) 根据(1)的wine数据集处理的结果，采用2种不同的分类算法分别构建分类模型；然后，通过定量指标评价所构建的模型的优劣。

(4) 根据(1)的wine_quality数据集处理的结果，采用2种不同的回归算法分别构建回归模型；然后，通过定量指标评价所构建的模型的优劣。

三、实验步骤 （包含算法简介）

K-means

• K-Means算法的简介：

KMeans算法既是一种无监督的学习方式，又是一种聚类方法。

它的主要实现步骤如下：

首先对数据集当中的点，随机设置K个特征空间内的点作为初始的聚类中心点。然后对于其它的每个点，分别计算到它们到K个中心的距离（即：每个点都要经过k次计算），每个点经过<