基于wine葡萄酒数据集的分类方法研究

目录

一、问题阐述

1.1、数据集信息

1.2、可解决的问题

二、设计目的

三、实验需要的平台

四、基本原理分析

4.1、逻辑回归算法基本原理

4.2、支持向量机算法的基本原理

五、实验过程阐述及实验结论

5.1、实现逻辑回归算法过程及结论

5.2、实现支持向量机算法过程及结论

六、分析支持向量机算法和逻辑回归算法的异同及优缺点

6.1、逻辑回归算法与支持向量机算法的异同点

6.2、逻辑回归算法的优缺点

6.3、支持向量机算法优缺点

七、结论

7.1、逻辑回归算法结果

7.2、支持向量机算法结果

7.3、kmeans算法结果

八、附加

8.1、Kmeans算法的基本原理

8.2、Kmeans算法的优缺点

九、代码

---

wine葡萄酒数据集分析报告

一、问题阐述

1.1、数据集信息

wine样本数据集中是double类型的178 * 14矩阵包括了三种酒中13种不同成分的数量。文件中，每行代表一种酒的样本，共有178个样本，一共有14列，其中，第一个属性是类标识符，分别是1/2/3来表示，代表葡萄酒的三个分类。后面的13列为每个样本的对应属性的样本值。剩余的13个属性是，酒精、苹果酸、灰、灰分的碱度、镁、总酚、黄酮类化合物、非黄烷类酚类、原花色素、颜色强度、色调、稀释葡萄酒的OD280/OD315、脯氨酸。其中第1类有59个样本，第2类有71个样本，第3类有48个样本。具体属性描述如下：

 

1.2、可解决的问题

这是一个多类分类问题，但也可以被定义为回归问题。它的分类数据是不均衡的（例如，正常葡萄酒的数量比优质或差的葡萄酒多得多），很适合针对不均衡数据集的分类练习。除此之外，数据集中所有特征并不都是相关的，因此也可以拿来练习特征工程和特征选择。

二、设计目的

wine数据集,是红酒数据集,可以用来测试分类算法的性能。该数据集为意大利同一地区生产的三个不同种类的葡萄酒的成分数据,对其178条数据进行分析处理,其中共有13个成分特征.为了解决人工评审葡萄酒分类时容易产生错误的问题,提高分类效率,采用机器学习中支持向量机，逻辑回归等方法对其特征进行分析来确定葡萄酒的分类。

三、实验需要的平台

本项目用的python作为开发语言，pycharm作为开发工具，免费软件机器学习库sklearn，Python 2D绘图库Matplotlib。sklearn它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学库NumPy和SciPy联合使用。Matplotlib它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。

四、基本原理分析

4.1、逻辑回归算法基本原理

逻辑回归是这样的一个过程：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。逻辑回归的原理是用逻辑函数把线性回归的结果(-∞,∞)映射到(0,1)，回归模型中，y是一个定性变量，比如y=0或1，logistic方法主要应用于研究某些事件发生的概率。

4.2、支持向量机算法的基本原理

支持向量机（Support Vector Machine，常简称为SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。

SVM的核心思想可以概括为两点：

（1）它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。

（2）它基于结构风险最小化理论之上再特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。

五、实验过程阐述及实验结论

5.1、实现逻辑回归算法过程及结论

x_train,y_train,x_test,y_test = data_train,target_train,data_test,target_test clf = LinearRegression().fit(x_train,y_train)