基于随机森林回归预测葡萄酒质量

1.作者介绍

朱亚彬， 男 ，西安工程大学电子信息学院 ， 2024级研究生
研究方向：任务卸载与边缘计算
电子邮件：2292036787@qq.com

王晓睿，男，西安工程大学电子信息学院，2024级研究生，张宏伟人工智能课题组
研究方向：智能视觉检测与工业自动化技术
电子邮件：3234002295@qq.com

2.随机森林算法与数据集介绍

2.1定义

随机森林回归（Random Forest Regression）是一种基于集成学习的回归算法，通过组合多个决策树来提高预测的准确性和稳定性。

2.2核心思想

随机森林回归通过构建多棵决策树，并将它们的预测结果进行平均（或加权平均）来得到最终的回归结果。每棵决策树在训练时使用随机抽样的数据和特征，从而减少过拟合的风险。

2.3主要步骤

数据采样（Bootstrap Sampling）：从训练集中随机抽取样本（有放回抽样），形成多个子集。每个子集用于训练一棵决策树。
特征随机选择：在每棵树的节点分裂时，随机选择一部分特征（而不是所有特征）来寻找最佳分割点。这增加了模型的多样性。
构建决策树：对每个子集数据，构建一棵决策树。树的生长通常不进行剪枝，直到达到最大深度或节点中的样本数小于某个阈值。
集成预测：对于回归问题，将所有树的预测结果取平均值，作为最终的预测值。

（1）随机选择一个样本子集作为该决策树的训练集。
（2）随机选择一部分特征（总特征数的平方根）作为该决策树的特征集。
（3）基于训练集和特征集构建决策树，直到达到预定的叶子节点数或无法分割为止。
（4）重复以上步骤，建立多颗决策树。
（5）对于一个新的样本，将它输入到每棵决策树中，得到多个预测结果。
（6）对多个预测结果进行平均，得到最终的预测结果。
算法公式基于决策树回归模型，每个预测树的预测函数为：

多棵决策树的预测函数可以表示为：

该部分参考链接：https://blog.csdn.net/m0_61399808/article/details/130733650

2.4数据集介绍

名称：Wine Quality Dataset（葡萄酒质量数据集）：
数据集地址：https://archive.ics.uci.edu/dataset/186/wine+quality
数据集包含红葡萄酒和白葡萄酒两个子集（分别有1599和4898个样本）。每个样本有11个特征，包括固定酸度、挥发性酸度、柠檬酸、残糖、氯化物等。目标是一个回归任务，预测葡萄酒的质量评分（0到10分）。本次实验使用的是红葡萄酒数据集进行测试。

3.算法实现

基于红酒质量数据集，使用随机森林回归模型进行质量预测。主要步骤包括：数据加载与探索、数据可视化（散点图、热力图、直方图等）、数据预处理（标准化、划分训练/测试集）、模型训练与优化（随机森林回归 + 超参数搜索）、模型评估（MSE、R²、混淆矩阵、准确率）、特征重要性分析、模型保存与加载。

3.1数据加载与探索

（1）程序从指定路径加载红酒质量数据集：数据文件为 CSV 格式，分隔符为 ;使用 pandas.read_csv 读取数据，编码格式为 utf-8。

（2）数据探索。

3.2数据可视化

程序通过多个图表展示数据特征与质量之间的关系。
（1）特征与质量的散点图

（2）相关性热力图

（3）不同品质红酒的分布

（4）不同品质的酒精含量直方图

3.3数据预处理（标准化、划分训练/测试集）

（1）特征和标签划分：将数据集分为特征（X）和目标变量（y），其中 y 是红酒的质量评分。

（2）划分训练集和测试集：使用 train_test_split 将数据划分为训练集（80%）和测试集（20%）。
random_state=42 确保结果可重复，stratify=y 保持训练集和测试集中 y 的分布一致。

（3）数据标准化
使用 StandardScaler 对特征进行标准化（均值为 0，方差为 1）。在训练集上拟合并转换，在测试集上仅转换。

3.4模型训练与优化（随机森林回归 + 超参数搜索）

创建随机森林回归模型，设置 100 棵树，随机种子为 42。
使用 10 折交叉验证评估模型在训练集上的性能。
计算均方误差（MSE）和 R² 分数。neg_mean_squared_error 返回负值，故取反。
使用 GridSearchCV 搜索最佳超参数组合。
搜索的参数包括 max_features（特征选择方式）和 max_depth（树的最大深度）。
同样采用 10 折交叉验证。
重新训练模型：使用搜索到的最佳参数重新训练模型。

3.5模型评估（MSE、R²、混淆矩阵、准确率）

3.6特征重要性分析

3.7模型保存与加载

4.结果分析

（1）图表可视化

图中的横轴表示的是真实品质，纵坐标表示的是预测品质。对角线表示预测值与完全值完全一样，品质为6时准确率最高。

从混淆矩阵中可以看出，品质为6,7的时候预测的准确率最高。
（2）MSE，准确率等评估指标

MSE的值越小，模型的预测性能越好。R²的值范围在0到1之间。R²值越接近1，表示模型对目标变量的解释能力越强，模型的预测性能越好。结果表明模型在测试集上的性能超过了训练集。

图为特征重要性的排列，从图中可以看出，alochol的特征是最重要的。表明alochol的含量越高，葡萄酒的质量品质越高。

5.完整代码

# 导入必要的库
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import make_pipeline
from sklearn.metrics import mean_squared_error, r2_score, confusion_matrix
from sklearn.model_selection import GridSearchCV
import joblib

# 设置中文字体
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False

# #加载数据
# dataset_url = 'wine+quality/winequality-red.csv'
# data = pd.read_csv(dataset_url)
# #查看数据的前五行
# print( data.head() )

# 加载数据
dataset_url = 'wine+quality/winequality-red.csv'
data = pd.read_csv(dataset_url, sep=';', encoding="utf-8")

# 查看数据的基本信息
print(data.head())
print(data.shape)
print(data.describe())


# 绘制特征与质量的关系图
plt.figure(figsize=(12, 5))
plt.subplot(121)
sns.scatterplot(x='volatile acidity', y='quality', data=data)
plt.title('Volatile Acidity vs Quality')
plt.subplot(122)
sns.scatterplot(x='alcohol', y='quality', data=data)
plt.title('Alcohol vs Quality')
plt.savefig("results/quality.png", dpi=300)
plt.show()

# 绘制相关性热力图
correlation = data.corr()
plt.figure(figsize=(12, 10))
sns.heatmap(correlation, annot=True)
plt.title("Correlation Matrix")
plt.savefig("results/Correlation_Matrix.png", dpi=400)
plt.show()

# 绘制不同品质的红酒分布
sns.catplot(data=data, x="quality", kind='count')
plt.title('不同品质的红酒的分布')
plt.xlabel('品质')
plt.ylabel('数量')
plt.show()

# 提取品质为 4、5、6、7 的数据
data_quality_4 = data.loc[data["quality"] == 4, :]
data_quality_5 = data.loc[data["quality"] == 5, :]
data_quality_6 = data.loc[data["quality"] == 6, :]
data_quality_7 = data.loc[data["quality"] == 7, :]

# 绘制不同品质的酒精含量直方图
plt.figure(figsize=(9, 7), dpi=80)
plt.subplot(2, 2, 1)
plt.hist(data_quality_4["alcohol"], bins=50)
plt.xlabel("酒精含量")
plt.ylabel("数量")
plt.title("品质为4的酒精度数量直方图")

plt.subplot(2, 2, 2)
plt.hist(data_quality_5["alcohol"], bins=50)
plt.xlabel("酒精含量")
plt.ylabel("数量")
plt.title("品质为5的酒精度数量直方图")

plt.subplot(2, 2, 3)
plt.hist(data_quality_6["alcohol"], bins=50)
plt.xlabel("酒精含量")
plt.ylabel("数量")
plt.title("品质为6的酒精度数量直方图")

plt.subplot(2, 2, 4)
plt.hist(data_quality_7["alcohol"], bins=50)
plt.xlabel("酒精含量")
plt.ylabel("数量")
plt.title("品质为7的酒精度数量直方图")

plt.tight_layout()
plt.savefig("results/quality_4567_vs.png", dpi=300)
plt.show()

# 特征和标签
X = data.drop('quality', axis=1)  # 特征，去除 'quality' 列
y = data['quality']  # 标签，仅保留 'quality' 列

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

# 数据标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 创建随机森林回归模型
model = RandomForestRegressor(n_estimators=100, random_state=42)

# 使用10折交叉验证评估模型在训练集上的性能
cv_mse = -cross_val_score(model, X_train_scaled, y_train, cv=10, scoring='neg_mean_squared_error').mean()
cv_r2 = cross_val_score(model, X_train_scaled, y_train, cv=10, scoring='r2').mean()
print(f'交叉验证的均方误差 (MSE): {cv_mse}')
print(f'交叉验证的R²分数: {cv_r2}')

# 超参数优化
pipeline = make_pipeline(RandomForestRegressor(random_state=42))
hyperparameters = {
    'randomforestregressor__max_features': ['sqrt', 'log2'],
    'randomforestregressor__max_depth': [None, 5, 3, 1]
}
clf = GridSearchCV(pipeline, hyperparameters, cv=10)
clf.fit(X_train_scaled, y_train)
print(f'最佳超参数: {clf.best_params_}')

# 使用最佳参数重新训练模型
best_model = clf.best_estimator_
best_model.fit(X_train_scaled, y_train)

# 评估模型在测试集上的性能
y_pred = best_model.predict(X_test_scaled)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f'测试集的均方误差 (MSE): {mse}')
print(f'测试集的R²分数: {r2}')

# 绘制真实值与预测值的散点图
plt.scatter(y_test, y_pred, alpha=0.5)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2)
plt.xlabel('True Quality')
plt.ylabel('Predicted Quality')
plt.title('Predicted vs True Quality Scores')
plt.savefig("results/Predicted_vs_True_Quality_Scores.png", dpi=400)
plt.show()

# 计算混淆矩阵
cm = confusion_matrix(y_test, np.round(y_pred))

# 绘制混淆矩阵
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, cmap='Blues', fmt='d', xticklabels=[4, 5, 6, 7], yticklabels=[4, 5, 6, 7])
plt.xlabel('预测品质')
plt.ylabel('实际品质')
plt.title('混淆矩阵')
plt.savefig("results/混淆矩阵.png", dpi=400)
plt.show()

# 显示特征重要性
feature_names = X.columns
importances = best_model.named_steps['randomforestregressor'].feature_importances_
sorted_indices = np.argsort(importances)[::-1]

print("特征重要性（从高到低）：")
for i in range(len(feature_names)):
    print(f"{feature_names[sorted_indices[i]]:<20} | {importances[sorted_indices[i]]}")

# 绘制特征重要性条形图
plt.figure(figsize=(10, 6))
sns.barplot(x=importances[sorted_indices], y=feature_names[sorted_indices])
plt.title('Feature Importances')
plt.xlabel('Importance')
plt.ylabel('Features')
plt.savefig("results/Feature Importances.png", dpi=400)
plt.show()

# 保存模型
joblib.dump(best_model, 'rf_regressor.pkl')

# 加载模型并进行预测
rf_regressor_loaded = joblib.load('rf_regressor.pkl')
y_pred_loaded = rf_regressor_loaded.predict(X_test_scaled)

# 计算预测准确率
accuracy = np.mean(np.round(y_pred_loaded) == y_test)
print("预测准确率: {:.2f}%".format(accuracy * 100))