9、葡萄酒质量预测：处理不平衡数据集与模型构建

葡萄酒质量预测：处理不平衡数据集与模型构建

1. 处理不平衡类别

在处理葡萄酒质量数据时，通过观察葡萄酒质量直方图，我们发现大部分质量集中在 5、6 和 7 这几个区间。这使得预测边缘质量区间变得更具挑战性，因为模型缺乏足够的案例来学习。为解决这个问题，有以下几种方法：
- 平衡数据集 ：对于关键建模项目，可以通过移除一些中间类别或获取更多边缘案例来平衡数据集。
- 移除弱特征 ：在某些情况下，弱特征会使模型产生混淆。通过移除它们，不仅可以提高模型得分，还能加快模型运行速度。可以使用基于树的模型，这些模型会返回某种形式的变量重要性。具体操作步骤如下：
1. 获取按重要性降序排列的特征列表。
2. 仅使用最佳特征尝试模型。
3. 不断添加特征，直到得分不再提高，最终得到一组有效的特征（这称为前向特征选择）。

我们尝试将所有类别数据上限设置为 500 行，代码如下：

# 查看数据分布
wine_balanced_df['quality'].value_counts()

输出结果：

7    500
6    500
5    500
4    216
8    193
3     30
9      5
Name: quality, dtype: int64

这种方法使中心类别周围的数据趋于平缓，但边缘仍然极度不平衡。更好的方法是对质量类