机器学习--特征工程具体案例

一、数据集介绍

        sklearn库中的玩具数据集，葡萄酒数据集。在前两次发布的内容《机器学习基础中》有介绍。

---

1.1葡萄酒列标签名：

wine.feature_names

结果：

['alcohol', 'malic_acid', 'ash', 'alcalinity_of_ash', 'magnesium', 'total_phenols', 'flavanoids', 'nonflavanoid_phenols', 'proanthocyanins', 'color_intensity', 'hue', 'od280/od315_of_diluted_wines', 'proline']

解释：

以下是葡萄酒数据集中各化学特征标签的详细解释：

‌1. 酒精相关‌

‌alcohol‌
酒精含量百分比，反映葡萄酒的酒精浓度。

‌2. 酸类成分‌

‌malic_acid‌
苹果酸含量（g/L），影响口感酸度与果香。

‌ash‌
灰分含量（g/L），燃烧后残留的无机物总量。

‌alcalinity_of_ash‌
灰分碱度（mEq/L），衡量灰分的碱性强度。

 3.矿物质与微量元素‌

‌magnesium‌
镁元素含量（mg/L），与葡萄酒的营养价值和口感相关。

‌4. 酚类物质‌

‌total_phenols‌
总酚含量（mg/L），包括单宁、色素等，影响抗氧化性和风味复杂度。

‌flavanoids‌
类黄酮含量（mg/L），具有抗氧化作用，贡献苦味和收敛性。

‌nonflavanoid_phenols‌
非类黄酮酚含量（mg/L），其他酚类化合物的总和。

‌proanthocyanins‌
原花青素含量（mg/L），影响口感涩度和色泽稳定性。

5. 颜色与光学特性‌

‌color_intensity‌
颜色强度（吸光度单位），通过光谱测量反映颜色深浅。

‌hue‌
色调（1-10），描述色彩偏向（如红、紫等）的数值指标。

‌od280/od315_of_diluted_wines‌
稀释后葡萄酒样品的光密度比值，用于评估特定化学成分（如酚类）的浓度。

‌6. 其他特征‌

‌proline‌
脯氨酸含量（μg/L），一种氨基酸，影响风味和微生物稳定性。

---

1.2葡萄酒行目标名：

wine.target_names

结果：

['class_0' 'class_1' 'class_2']

解释：

类别标识‌：代表葡萄酒的三个不同品种或类别，用于区分样本所属的类别归属。

数据集包含 ‌178 个样本‌，每个样本对应 13 种化学特征（如酒精浓度、酸度等）。

类别标签通过数值化（0/1/2）或字符串（class_0/class_1/class_2）形式存储，便于模型训练和预测。

---

二、大致步骤

        2.1 数据加载

                使用sklearn库加载葡萄酒数据集，并转换为dataframe格式查看前几条相关信息。

        2.2数据预处理

                （1）划分数据集；（2）标准化处理

        2.3特征降维

                应用主成份分析（PCA）降维方法进行特征降维，设置参数为0.95，即保存95%的方差数据信息。

        2.4模型训练与预测

                使用随机森林分类器对降维数据进行训练，并对测试集进行预测。

        2.5模型评估

                计算模型准确率。

        2.6可视化分析

                展示图像，数形结合。

三、代码实现

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier
#加载数据集
wine = load_wine()
print(wine.data.shape) #打印数据集形状（有多少条数据，列标签有多少）
#其他基础操作不再重复，前几篇有介绍#划分数据集
x_train,x_test,y_train,y_test = train_test_split(wine.data,wine.target,test_size=0.3,random_state=42)#标准化数据集
scaler = StandardScaler()
x_train_scaler = scaler.fit_transform(x_train)
x_test_scaler = scaler.transform(x_test)
#一般不会对y进行标准化#特征降维
pca = PCA(n_components=0.95)
x_train_pca = pca.fit_transform(x_train_scaler)
x_test_pca = pca.transform(x_test_scaler)#训练模型
model = RandomForestClassifier(n_estimators=100,random_state=42)
model.fit(x_train_pca,y_train)#预测
y_pred = model.predict(x_test_pca)
print(y_pred)#评估模型准确率
score = model.score(x_test_pca,y_test)
print(score)

结果：

(178, 13)
[0 0 2 0 1 0 1 2 1 2 1 2 0 2 0 1 1 1 0 1 0 1 1 2 2 2 1 1 1 0 0 1 2 0 0 0 2
 2 1 2 1 1 1 1 2 0 1 1 2 0 1 0 0 2]
0.9444444444444444