一个糟糕的思路

2.1. Logistic模型的缺陷
在Logistic模型中，为了处理有偏数据的影响，我们对除citric_acid（柠檬酸含量）和density（密度）之外的9个自变量均作了对数化处理，然而这种处理显然不一定和实际情况相一致。甚至从常理分析，这些描述理化性质的变量对于品质的影响很难说是严格正/负相关的。以Ph值为例，Ph值是衡量溶液酸碱度的变量，具体说，是衡量溶液中氢离子浓度的指标，服从Ph=-Log（c(H+)），纯水的Ph值为7。Ph值太高太低都会对口感造成糟糕的影响，甚至对健康造成危害，这个变量显然和品质不是正/负相关的关系，简单的对数化处理无法表现其与因变量的关系。
其次，模型没有考虑各个自变量的交叉项，但实际上恰恰是这些理化变量之间的相互作用，才形成了酒综合的口感。以在模型中统计显著性（p值）和经济显著性（系数）表现最好的alcohol（酒精浓度）变量为例。参照权威品酒机构的评论，酒精、单宁、酸度、甜度和香气是影响葡萄酒风味的 5 大重要因素，这5个要素的量相互和谐，相互平衡时，口感体验才较好。当酒精度水平要明显高于其他影响口感的要素时，浓烈刺鼻的酒精会掩盖葡萄酒的其他风味，带来不愉快的口感体验，而当酒精度低于其他要素的水平时，也会导致口感平淡乏味，且不足以支撑酒体。只有结构平衡的葡萄酒，即便酒精度高也不会让人感觉到有特别突出的酒精味，反而会被评价为“Powerful”。但即使考虑到交叉项的存在，应当添加哪些变量的交叉项，这些变量间又当如何组合，Logistic模型无法智能地对这种多变量综合效应做探讨，而人工地对这些变量简单组合，一个个地进行尝试，无疑是效率低下，且可靠度存疑的。
最后，变量之间的多重共线性极大的削弱了模型的解释力度，而对数据降维处理后，模型的预测准确度进一步下滑到只有67.8%的水平，考虑到两分类中多的一类比例为54.3%，这个结果无疑是无法让人满意的，这也体现出降维处理带来的信息损失对模型造成的损害。
总结来说，Logistic模型是这些所有模型中，对因变量与自变量，以及自变量之间组合关系限制的最为严格，自主调整性最弱的模型，这对于处理红酒这样变量间具有较强交互关系，存在共线性现象，且大量自变量与因变量并非严格正/负相关关系的数据无疑是不利的，因此在预测中表现不佳也在意料之中。
2.2. 随机森林模型的优缺点
随机森林模型是一种用于数据挖掘的集成学习算法，通过建立几个决策树模型组合的来解决单一预测问题。它的工作原理是生成多个决策树，各自独立地训练和作出预测，最后依靠于决策树的投票选择来决定分类结果。
随机森林的一个优势是对数据的适应能力强，离散和连续数据均能处理，也无需对数据做规范化，能够处理具有高维特征的输入样本，通过评估各个自变量在问题上的重要性做出判断，不需要降维，这避免了在处理复杂样本时碍于变量的自身性质，以及相互间的强相关关系不得不进行降维操作而损失信息量。
其次，随机森林基于决策树模型进行分类，通过深化分支，可以对变量间的交互关系进行信息利用，同时也无需对因变量与特征之间的关系做具体假定，只要大体服从正/负相关关系，就可以取得良好的效果。
再次，随机森林通过采取有放回随机抽样为各个决策树筛选训练集，使各个决策单元的学习过程求同存异，这使得模型不容易陷入过拟合，也具有良好的抗噪效果。
但该模型也绝非尽善尽美，由于随机森林本质上仍是基于决策树组合构建的模型，在因变量与特征非严格正/负相关时仍会出现误差，或是简单的降级这一特征的重要性，导致信息的损失。最后，随机森林无法像回归方法一样，给出一个简单的公式结论，其训练后的结果是一个黑箱，这某种程度上影响了模型的解释力。
2.3. 总结
综合来说，分类问题中，在面对自变量间具有较强交互关系、因变量与自变量关系复杂的高维样本时，随机森林模型对于以Logistic为代表的传统的回归模型具有一定的优越性。但当处理变量间关系更为简单明晰的样本时，使用这类集成学习方法反而会影响模型的解释力，这时经典的回归方法仍有用武之地。而本次处理的数据，无疑是属于前者的。
一种可能的思路是，根据随机森林的输出结果，对变量间的函数关系做假定，在此基础上进一步使用Logistic回归方法做拟合，使得模型兼具预测的准确性与经济上的解释力，这就留待在日后的数据挖掘实战中检验进行了。