21、基于模糊认知图的葡萄酒数据集分类研究

基于模糊认知图的葡萄酒数据集分类研究

1. 引言

在构建分类模型时，我们自然希望模型的性能优于随机猜测。例如，若有两个决策类别，随机猜测的准确率底线是 50%，那么分类器的准确率应高于此值。本文将以公开的“葡萄酒”数据集为例，展示基于模糊认知图（FCM）的分类器的构建过程。

2. 数据集描述

“葡萄酒”数据集记录了意大利同一地区三种不同品种葡萄酒的化学分析结果，包含 13 种成分的含量（作为特征），对应三个决策类别。各类别的实例数量分别为 59、71 和 48，数据集较为平衡，可使用准确率作为性能指标。

以下是加载数据集并进行训练集和测试集划分的代码：

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split

# 加载葡萄酒数据集
# 自变量存储在 X 中
# 因变量存储在 y 中
X, y = load_wine(return_X_y=True, as_frame=True)

# 将数据划分为训练集和测试集
# 训练集占 70% 的样本
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.30, random_state=42)

数据集中的特征均为实值，具体如下：
1. 酒精（f1）
2. 苹果酸（f2）
3. 灰分（f3）
4. 灰分碱度（f4）
5. 镁（f5