使用深度学习预测葡萄酒类型

我们对大数据集使用深度学习，但为了理解深度学习的概念，我们使用葡萄酒质量的小数据集。您可以从免费提供的 UCI 机器学习存储库中找到葡萄酒质量数据集。本文的目的是入门深度学习库，如 Keras 等，熟悉神经网络的基础。
关于数据集：
在我们开始加载数据之前，了解您的数据非常重要。数据集由数据中包含的 12 个变量组成。其中少数如下——

1. 固定酸度：总酸度分为两类：挥发性酸和非挥发性或固定酸。该变量的值在数据集中以gm/dm3表示。
2. 挥发性酸度：挥发性酸度是酒变成醋的过程。在该数据集中，挥发性酸度以 gm/dm3 表示。
3. 柠檬酸：柠檬酸是葡萄酒中的一种固定酸。它在数据集中以 g/dm3 表示。
4. 残糖：残糖是发酵停止或停止后剩余的糖。它在数据集中以 g/dm3 表示。
5. 氯化物：它可能是葡萄酒中咸味的重要因素。该变量的值在数据集中用 gm/dm3 表示。
6. 游离二氧化硫：添加到葡萄酒中的二氧化硫部分。该变量的值在数据集中用 gm/dm3 表示。
7. 总二氧化硫：它是结合二氧化硫和游离二氧化硫的总和。该变量的值在数据集中以 gm/dm3 表示。

第 1 步：了解您的数据。

加载数据。

Python3

# Import Required Libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
# Read in white wine data
white = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv", sep =';')
 
# Read in red wine data
red = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv", sep =';')

`red` 的第一行。

Python3

# First rows of `red`
red.head()

输出：

`white` 的最后几行。

Python3

# Last rows of `white`
white.tail()

输出：

取五行“红色”的样本。

Python3

# Take a sample of five rows of `red`
red.sample(5)

输出：

数据说明——

Python3

# Describe `white`
white.describe()

输出：

检查 `red` 中的空值。

Python3

# Double check for null values in `red`
pd.isnull(red)

输出：

步骤#2：酒精的分配。

创建直方图。

Python3

# Create Histogram
fig, ax = plt.subplots(1, 2)
 
ax[0].hist(red.alcohol, 10, facecolor ='red',
              alpha = 0.5, label ="Red wine")
 
ax[1].hist(white.alcohol, 10, facecolor ='white',
           ec ="black", lw = 0.5, alpha = 0.5,
           label ="White wine")
 
fig.subplots_adjust(left = 0, right = 1, bottom = 0,
               top = 0.5, hspace = 0.05, wspace = 1)
 
ax[0].set_ylim([0, 1000])
ax[0].set_xlabel("Alcohol in % Vol")
ax[0].set_ylabel("Frequency")
ax[1].set_ylim([0, 1000])
ax[1].set_xlabel("Alcohol in % Vol")
ax[1].set_ylabel("Frequency")
 
fig.suptitle("Distribution of Alcohol in % Vol")
plt.show()

输出：

拆分数据集以进行训练和验证。

Python3

# Add `type` column to `red` with price one
red['type'] = 1
 
# Add `type` column to `white` with price zero
white['type'] = 0
 
# Append `white` to `red`
wines = red.append(white, ignore_index = True)
 
# Import `train_test_split` from `sklearn.model_selection`
from sklearn.model_selection import train_test_split
X = wines.ix[:, 0:11]
y = np.ravel(wines.type)
 
# Splitting the data set for training and validating
X_train, X_test, y_train, y_test = train_test_split(
           X, y, test_size = 0.34, random_state = 45)

步骤#3：网络结构

Python3

# Import `Sequential` from `keras.models`
from keras.models import Sequential
 
# Import `Dense` from `keras.layers`
from keras.layers import Dense
 
# Initialize the constructor
model = Sequential()
 
# Add an input layer
model.add(Dense(12, activation ='relu', input_shape =(11, )))
 
# Add one hidden layer
model.add(Dense(9, activation ='relu'))
 
# Add an output layer
model.add(Dense(1, activation ='sigmoid'))
 
# Model output shape
model.output_shape
 
# Model summary
model.summary()
 
# Model config
model.get_config()
 
# List all weight tensors
model.get_weights()
model.compile(loss ='binary_crossentropy',
  optimizer ='adam', metrics =['accuracy'])

输出：

第 4 步：训练和预测

Python3

# Training Model
model.fit(X_train, y_train, epochs = 3,
           batch_size = 1, verbose = 1)
  
# Predicting the Value
y_pred = model.predict(X_test)
print(y_pred)

输出：