引言：红酒分类的意义与挑战
红酒作为一种历史悠久的饮品，其品质和种类的鉴别一直是酿酒业、餐饮业及消费者关注的焦点。传统的红酒分类主要依赖品酒师的感官评价，这种方式不仅耗时耗力，还容易受到主观因素的影响。随着数据科学和机器学习的发展，利用红酒的理化特征进行自动分类成为可能。本文将以经典的红酒数据集为例，展示如何使用随机森林算法实现红酒的精准分类，并深入分析影响分类结果的关键特征。
数据集介绍：红酒的理化特征
本次实验所使用的红酒数据集来自 scikit-learn 库，包含了 178 个样本，每个样本对应一款红酒，并标注了其所属类别（共 3 类）。数据集中的特征均为红酒的理化指标，具体包括酒精含量、苹果酸含量、灰分、灰分的碱度、镁含量、总酚、类黄酮、非黄烷类酚类、原花青素、颜色强度、色调、稀释葡萄酒的 OD280/OD315 值以及脯氨酸含量等 13 项指标。这些客观的理化数据为我们构建分类模型提供了坚实的基础。
模型选择：随机森林的优势
在众多机器学习算法中，我们选择了随机森林作为分类模型。随机森林是一种集成学习方法，它由多个决策树组成，通过对多个决策树的预测结果进行投票或取均值来得到最终的预测结果。这种方法具有以下显著优势：
- 泛化能力强：通过多个决策树的集成，有效降低了过拟合的风险，能够更好地适应新数据。
- 处理高维数据能力出色：无需对特征进行复杂的降维处理，能直接处理包含多个特征的数据集。
- 提供特征重要性评估：可以量化每个特征对分类结果的贡献程度，有助于我们理解数据背后的规律。
- 训练过程稳定：对噪声数据不敏感，且不易受 outliers（异常值）的影响。
基于以上优势，随机森林成为本次红酒分类任务的理想选择。
实验过程：从数据准备到模型评估
数据预处理与划分
首先，我们加载红酒数据集，并将其划分为特征数据（X）和目标数据（y），其中特征数据包含了上述 13 项理化指标，目标数据则是红酒的类别标签。为了评估模型的泛化能力，我们采用 train_test_split 函数将数据集分为训练集和测试集，其中测试集占总数据的 20%，并设置 random_state=42 以保证每次运行结果的一致性。
模型训练与预测
我们创建了一个包含 100 棵决策树的随机森林分类器，并使用训练集对模型进行拟合。训练完成后，利用该模型对测试集进行预测，得到预测结果 y_pred。
模型性能评估
为了衡量模型的分类效果，我们计算了准确率（accuracy），并打印了包含精确率（precision）、召回率（recall）和 F1 值（F1-score）的分类报告。结果显示，该随机森林分类器在测试集上的准确率达到了 1.0，即所有测试样本都被正确分类。从分类报告中可以看出，对于每一个类别，精确率、召回率和 F1 值均为 1.0，这表明模型在各个类别上的分类性能都极为出色。
特征重要性分析：影响红酒分类的关键因素
随机森林的一大优势是能够提供特征重要性得分，该得分反映了每个特征在模型分类过程中的贡献程度。通过对特征重要性的分析，我们可以了解哪些理化指标对红酒类别的区分最为关键。
特征重要性排序
根据模型输出的特征重要性得分，我们对 13 项特征进行了排序（从高到低），结果如下：
- 脯氨酸（proline）
- 类黄酮（flavanoids）
- 颜色强度（color_intensity）
- 酒精含量（alcohol）
- 灰分的碱度（alcalinity_of_ash）
- 镁含量（magnesium）
- 总酚（total_phenols）
- 苹果酸含量（malic_acid）
- 稀释葡萄酒的 OD280/OD315 值（od280/od315_of_diluted_wines）
- 原花青素（proanthocyanins）
- 色调（hue）
- 灰分（ash）
- 非黄烷类酚类（nonflavanoid_phenols）
关键特征解读
从排序结果可以看出，脯氨酸的重要性得分最高，这表明脯氨酸含量是区分不同种类红酒的最关键因素。脯氨酸是一种氨基酸，在红酒中含量较高，其含量与葡萄的品种、生长环境以及酿造工艺等密切相关，不同种类的红酒在脯氨酸含量上可能存在显著差异。
类黄酮和颜色强度分别位列第二和第三，类黄酮是一类重要的多酚化合物
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier # 导入随机森林分类器
from sklearn.model_selection import train_test_split # 导入数据分割函数
from sklearn.metrics import accuracy_score, classification_report # 导入评估指标
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 加载红酒数据集
wine = load_wine()
X = wine.data # 特征数据
y = wine.target # 目标数据
feature_names = wine.feature_names # 特征名称
# 将数据集拆分为训练集和测试集
# test_size=0.2表示测试集占总数据集的20%
# random_state=42 是为了保证每次运行结果的一致性
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林分类器实例
# n_estimators=100 表示森林中树的数量为100棵
# random_state=42 同样是为了保证结果可复现
rf = RandomForestClassifier(n_estimators=100, random_state=42)
# 使用训练数据拟合模型
rf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf.predict(X_test)
# 评估模型性能
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"随机森林分类器的准确率: {accuracy}")
# 打印分类报告，包含精确率、召回率、F1值等指标
print(classification_report(y_test, y_pred))
# 查看特征重要性
# feature_importances_ 是随机森林模型的属性，返回每个特征的重要性得分
feature_importances = pd.Series(rf.feature_importances_, index=feature_names).sort_values(ascending=False)
print("特征重要性：")
print(feature_importances)
# 可视化特征重要性（可选）
plt.figure(figsize=(10, 6))
sns.barplot(x=feature_importances, y=feature_importances.index)
plt.title('特征重要性')
plt.xlabel('重要性得分')
plt.ylabel('特征名称')
plt.show()