为葡萄酒数据集构造SVM分类器和使用随机森林回归模型预测葡萄酒质量

目录

前言

一、实验目的

二、实验环境

三、实验内容与结果

1、SVM(support vector Machine)是什么？

2、SVM能干什么？

3、SVM如何实现？

4、独热编码：独热编码（One-Hot Encoding） - 知乎

5、 随机森林算法的基本原理

四、模型构建

1、读入数据

2、数据初始化

3、训练模型，评价分类器性能

4、将数据集拆分为训练集和测试集，在测试集上查看分类效果

5、数据处理

总结

---

---

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、实验目的

1. 掌握机器学习建模分析
2. 掌握回归分析、分类分析、聚类分析、降维等
3. 了解各分类器之间的差异

二、实验环境

1.   操作系统：Windows
2.   应用软件：anaconda jupyter

三、实验内容与结果

1、SVM(support vector Machine)是什么？

支持向量机是基于数学优化方法的分类学习算法

• 通过使用最大分类间隔（Margin）来确定最优的最优的划分超平面，以获得良好的泛化能力

• 通过核函数的方法将低维数据映射到高维空间，并使得在高维空间的数据是线性可分的，从而能够处理低维空间中线性不可分的情况

具体理解可参考以下链接：[白话解析] 深入浅出支持向量机(SVM)之核函数 - 腾讯云开发者社区-腾讯云

2、SVM能干什么？

• SVM最基本的应用：分类

•    求解一个最优的分类面，将数据集分割为两个的子集

•    数据集在低维空间中无法使用超平面划分

•    映射到高维空间，寻找超平面分割

 3、SVM如何实现？

SVM采用核函数（Kernel Function）将低维数据映射到高维空间

•    多种核函数，适应不同特性的数据集，影响SVM分类性能的关键因素
•    常用的核函数：线性核、多项式核、高斯核和sigmoid核等

4、独热编码：独热编码（One-Hot Encoding） - 知乎

可以大概这么理解：平等地位的就独热编码，有大小顺序的就标签编码；

其实严格来说性别也应该独热编码，因为他们是平等的。