本文應(yīng)用機(jī)器學(xué)習(xí)方法對(duì)如何更加準(zhǔn)確的為葡萄酒質(zhì)量評(píng)分進(jìn)行一次探索。選用基于變量選擇的LS-SVR模型對(duì)葡萄酒質(zhì)量進(jìn)行評(píng)分,該模型在支持向量機(jī)回歸模型的基礎(chǔ)上進(jìn)行改進(jìn),降低了運(yùn)算的復(fù)雜度。本文采用兩個(gè)實(shí)例驗(yàn)證了所構(gòu)建LS-SVR模型的有效性。首先,本文對(duì)數(shù)據(jù)集進(jìn)行了數(shù)據(jù)特征探索及相應(yīng)的分析處理,根據(jù)葡萄酒的理化指標(biāo)特點(diǎn)進(jìn)行變量選擇,依次使用梯度提升回歸樹(shù)、逐步回歸、lasso回歸方法,并遵循謹(jǐn)慎性和科學(xué)性原則構(gòu)建了特征集。然后,應(yīng)用不同的模型進(jìn)行比較分析。對(duì)于紅葡萄酒數(shù)據(jù)集,分別建立了最小二乘支持向量機(jī)回歸模型、基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)回歸模型和RBF神經(jīng)網(wǎng)絡(luò)模型,并分別輸出了他們的估計(jì)值及誤差。最后,對(duì)比全變量集與特征集訓(xùn)練LS-SVR的誤差精度,證明了特征集構(gòu)建的有效性;對(duì)比遺傳算法優(yōu)化前后的誤差,證明調(diào)參的必要性;對(duì)比RBF神經(jīng)網(wǎng)絡(luò)回歸模型與LSSVR的誤差,證明LS-SVR的評(píng)估效果更好。研究表明,本文所建模型的MAPE值都在10%以?xún)?nèi),說(shuō)明各個(gè)模型都取得了很好的預(yù)測(cè)效果,但相比之下LS-SVR模型的誤差最低,評(píng)估效果最好。對(duì)于白葡萄酒數(shù)據(jù)集,相比RBF神經(jīng)網(wǎng)絡(luò)模型,...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文的研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究進(jìn)展
    1.3 本文主要研究?jī)?nèi)容與創(chuàng)新點(diǎn)
    1.4 論文的章節(jié)安排
2 理論基礎(chǔ)
    2.1 最小二乘法
    2.2 支持向量機(jī)
3 模型概述
    3.1 變量選擇方法
        3.1.1 梯度提升回歸樹(shù)算法
        3.1.2 逐步回歸
        3.1.3 LASSO算法
    3.2 支持向量機(jī)回歸
        3.2.1 支持向量機(jī)回歸發(fā)展
        3.2.2 支持向量回歸的基本問(wèn)題
        3.2.3 最小二乘支持向量機(jī)回歸
    3.3 RBF神經(jīng)網(wǎng)絡(luò)
    3.4 遺傳算法
4 模型在紅葡萄酒數(shù)據(jù)集中的應(yīng)用
    4.1 數(shù)據(jù)特征分析
    4.2 變量選擇
        4.2.1 應(yīng)用梯度提升回歸樹(shù)進(jìn)行變量選擇
        4.2.2 應(yīng)用逐步回歸進(jìn)行變量選擇
        4.2.3 應(yīng)用lasso回歸進(jìn)行變量選擇
    4.3 最小二乘支持向量機(jī)回歸的應(yīng)用
    4.4 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用
    4.5 模型效果的對(duì)比
        4.5.1 LS-SVR使用全變量集和使用特征集的效果對(duì)比
        4.5.2 LS-SVR與遺傳算法優(yōu)化后的LS-SVR的評(píng)估效果對(duì)比
        4.5.3 最小二乘支持向量機(jī)回歸與神經(jīng)網(wǎng)絡(luò)的評(píng)估效果對(duì)比
5 模型在白葡萄酒數(shù)據(jù)集中的應(yīng)用
    5.1 數(shù)據(jù)特征分析
    5.2 變量選擇
    5.3 模型的應(yīng)用及結(jié)果分析
總結(jié)和展望
參考文獻(xiàn)
附錄 程序代碼
致謝



本文編號(hào)：3947476