Python随机森林调参红酒品质预测

from sklearn.ensemble import RandomForestClassifier

import seaborn as sns

import numpy as np

import matplotlib.pyplot as plt;

2.加载数据

dataSet = pd.read_csv(“data\winequality-red.csv”);

#print(dataSet.head());

pd.set_option(‘display.max_columns’,None);# DataFrame 显示所有列

#print(“describe”,dataSet.describe());

print(“shape”,np.shape(dataSet));

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518222221350.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)  

3.数据分析

dataSet.hist();#直方图

plt.show();

#变量的相关性 展示

sns.heatmap(dataSet.astype(float).corr(),linewidths=0.1,vmax=1.0, square=True,linecolor=‘white’, annot=True)

plt.show();

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518222417475.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)  

可以看出quality 数值主要在5，6附近 我们可以以5为分界点  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518222554129.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)  

4.划分x，y 训练集和测试集  

以y1作为target值

y = dataSet[“quality”]; #将 quality 作为target

x = dataSet.drop(“quality”,axis=1); # 其他作为属性

将葡萄酒分成两组 >5为 好酒 为1 小于5为1

y1 = (y>5).astype(int); #改变np.array中所有数据元素的数据类型。

#print(y1);

分 训练集合测试集合 7:3

xtrain,xtest,ytrain,ytext = model_selection.train_test_split(x,y1,test_size=0.3,random_state=1);

5.交叉验证 用训练集 进行交叉训练 看看不进行调参的 score为多少

RF_clf = RandomForestClassifier();

cv_score = model_selection.cross_val_score(RF_clf,xtrain,ytrain,scoring=‘accuracy’,cv=10); #scoring=‘accuracy’ 正确率

print(“cv_score”,cv_score);

print(“cv_score_mean”,cv_score.mean()); #mean()平均值

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518223014892.png)  

此时 什么参数都没有调 平均的score已经达到0.7998  

6.调参  

我们首先调n\_estimators  

默认的n\_estimators值是100，  

我们让n\_estimators从50开始 每次加10 最高到300 运行看平均score有什么变化

n_estimators_score = [];

for n in np.arange(50,300,10):

RF_clf = RandomForestClassifier(n_estimators=n);

cv_score = model_selection.cross_val_score(RF_clf, xtrain, ytrain, scoring='accuracy',cv=10);  # scoring='accuracy' 正确率

n_estimators_score.append(cv_score.mean());

plt.figure();

plt.plot(np.arange(50,300,10),n_estimators_score);

plt.show();

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518223400719.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)  

我们可以看到此时score在0.7825-0.801波动  

在70左右取得较高的值  

所有我们进一步 让n\_estimators从60取到80 看看具体那一个值最好  

这次我们直接用GridSearchCV

param_grid = {‘n_estimators’:range(60,80,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

rfc1.fit(xtrain,ytrain);

print(“best_params_”,rfc1.best_params_);

print(“best_score_”,rfc1.best_score_);

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200518224142418.png)  

现在就以n\_estimators=79为值 调一下max\_depth

param_grid = {‘n_estimators’:[79],‘max_depth’:range(5,30,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！