У меня есть набор данных, который объясняет качество вин на основе таких факторов, как содержание кислоты, плотность, pH и т. д. Я прилагаю ссылку, которая покажет вам набор данных качества вина. В соответствии с набором данных нам нужно использовать алгоритм многоклассовой классификации для анализа этого набора данных с использованием обучающих и тестовых данных. Пожалуйста, поправьте меня, если я ошибаюсь?
Набор данных Wine_Quality.csv
https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/
Также я использовал алгоритм анализа основных компонентов для работы с этим набором данных. Ниже приведен код, который я использовал: -
# -*- coding: utf-8 -*-
"""
Created on Sun Aug 26 14:14:44 2018
@author: 1022316
"""
# Wine Quality testing
#Multiclass classification - PCA
#importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#importing the Dataset
dataset = pd.read_csv('C:\Machine learning\winequality-red_1.csv')
X = dataset.iloc[:, 0:11].values
y = dataset.iloc[:, 11].values
# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
#Applying the PCA
from sklearn.decomposition import PCA
pca = PCA(n_components = 2 )
X_train = pca.fit_transform(X_train)
X_test = pca.fit_transform(X_test)
explained_variance = pca.explained_variance_ratio_
# Fitting Logistic Regression to the Training set
#from sklearn.tree import DecisionTreeClassifier
#classifier = DecisionTreeClassifier(max_depth = 2).fit(X_train, y_train)
#y_pred = classifier.predict(X_test)
#classifier = LogisticRegression(random_state = 0)
#classifier.fit(X_train, y_train)
#Fiiting the Logistic Regression model to the training set
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(random_state = 0)
classifier.fit(X_train, y_train)
#Predicting thr Test set results
y_pred = classifier.predict(X_test)
# Making the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
Пожалуйста, дайте мне знать, если я использую правильный алгоритм этого набора данных. Кроме того, как я вижу, у нас есть 9 классов, на которые будет разделен этот набор данных. Пожалуйста, также дайте мне знать, как я буду визуализировать и отображать данные соответственно в разных классах.