葡萄酒质量检测

#导入葡萄酒数据集
from sklearn.datasets import load_wine
#导入交叉验证工具
from sklearn.model_selection import cross_val_score
#导入用于分类的支持向量机模型
from sklearn.svm import SVC
#载入葡萄酒数据集
wine = load_wine()
#设置SVC的核函数为linear
svc = SVC(kernel='linear')
#使用交叉验证法对SVC进行评分
scores = cross_val_score(svc,wine.data,wine.target)
# print(scores)

#先导入了scikit_learn的交叉验证评分类，然后使用SVC对酒的数据集进行分类，默认情况下，cross_val_score会使用3个折叠，因此，会得到3个分数



#使用.mean() 获得分数的平均值
# print(scores.mean())# 交叉验证法平均分约为0.928分


#将数据集拆成6个部分来评分——cross_val_score:
#设置cv参数为6
scores = cross_val_score(svc,wine.data,wine.target,cv=6)
# print(scores)


# print(scores.mean())
#在sklearn中，cross_val_score对于分类模型默认使用的是K折叠交叉验证，而对于分类模型则默认使用分层K交叉验证法


#打印红酒数据集的分类标签
# print(wine.target)



#随机拆分原理——先从数据集中随机抽一部分数据作为训练集，再从其余的部分随机抽一部分作为测试集，进行评分后再迭代，重复上一步操作，直到把我们希望的迭代次数全跑完：
#导入随机拆分工具
from sklearn.model_selection import ShuffleS