如何使用機器學習預測葡萄酒質量？

---

本教程將從線上資源（如 Kaggle）獲取葡萄酒質量資料集。首選資料集是“葡萄酒質量資料集”，可在 "https://www.kaggle.com/datasets/yasserh/wine-quality-dataset." 獲取。

該資料集包含一個 .csv 檔案，其中包含各種型別的葡萄酒，例如“固定酸度”、“揮發性酸度”、“pH 值”、“密度”等等。在此資料集中，在初始階段刪除了欄位名稱“質量”，並且進一步訓練了模型。

以下是預測葡萄酒質量的 Python 程式碼。

• 匯入必要的庫。

import pandas as pd
import numpy as np

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

• 匯入葡萄酒質量資料集

wine = pd.read_csv('/Users/someswarpal/Downloads/WineQT.csv')

• 刪除名為“quality”的列。

X = wine.drop(columns=['quality'])
y = wine['quality']

• 將資料拆分為測試集和訓練集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

• 建立線性迴歸模型

model = LinearRegression()

• 訓練模型

model.fit(X_train, y_train)

• 對訓練集進行預測。

y_pred = model.predict(X_test)

• 評估模型

mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

• 計算每個類別的平均質量

mean_quality = wine.groupby('quality')['quality'].mean()

輸出

Mean Squared Error: 0.38242835212919696

• 找到平均質量最高的類別

best_quality = mean_quality.idxmax()
best_mean_quality = mean_quality.max()

• 列印最佳葡萄酒的摘要。

print("Summary of Wine Quality:")
print("----------------------------")
print("Best Wine Quality Category:", best_quality)
print("Mean Quality Score:", best_mean_quality)

輸出

Summary of Wine Quality:
   ----------------------------
   Best Wine Quality Category: 8
   Mean Quality Score: 8.0

• 找到平均質量最低的類別

worst_quality = mean_quality.idxmin()
worst_mean_quality = mean_quality.min()

• 列印最差葡萄酒的摘要

示例

print("Summary of Wine Quality:")
print("----------------------------")
print("Worst Wine Quality Category:", worst_quality)
print("Mean Quality Score:", worst_mean_quality)

輸出

Summary of Wine Quality:
----------------------------
Worst Wine Quality Category: 3
Mean Quality Score: 3.0

結論

總之，該程式碼以多種方式分析和顯示關於葡萄酒質量的集合中的資料。它首先讀取資料集並將其分成輸入特徵 (X) 和目標變數 (y)。然後使用訓練集來建立和訓練線性迴歸模型。然後在測試集上進行預測，並使用均方誤差來衡量模型的效能。

該程式碼還確定資料集中每個類別的平均質量，並找到平均質量最高的類別。可以建立一些影像，例如散點圖、直方圖、箱線圖、條形圖、線形圖、相關性熱圖和餅圖。這些圖顯示了不同因素如何影響葡萄酒的質量。

總的來說，該程式碼對葡萄酒質量資料集進行了深入的研究，從建模和評估資料到顯示資料的分佈方式以及它們之間的關係。它展示瞭如何使用流行的資料分析和視覺化庫（如 Pandas、NumPy、sci-kit-learn、matplotlib 和 Seaborn）來使分析過程更容易，並提供有用的見解來理解資料集。