LS-SVR在葡萄酒质量评分中的应用

发布时间：2024-04-07 01:37

　　本文应用机器学习方法对如何更加准确的为葡萄酒质量评分进行一次探索。选用基于变量选择的LS-SVR模型对葡萄酒质量进行评分,该模型在支持向量机回归模型的基础上进行改进,降低了运算的复杂度。本文采用两个实例验证了所构建LS-SVR模型的有效性。首先,本文对数据集进行了数据特征探索及相应的分析处理,根据葡萄酒的理化指标特点进行变量选择,依次使用梯度提升回归树、逐步回归、lasso回归方法,并遵循谨慎性和科学性原则构建了特征集。然后,应用不同的模型进行比较分析。对于红葡萄酒数据集,分别建立了最小二乘支持向量机回归模型、基于遗传算法优化的最小二乘支持向量机回归模型和RBF神经网络模型,并分别输出了他们的估计值及误差。最后,对比全变量集与特征集训练LS-SVR的误差精度,证明了特征集构建的有效性;对比遗传算法优化前后的误差,证明调参的必要性;对比RBF神经网络回归模型与LSSVR的误差,证明LS-SVR的评估效果更好。研究表明,本文所建模型的MAPE值都在10%以内,说明各个模型都取得了很好的预测效果,但相比之下LS-SVR模型的误差最低,评估效果最好。对于白葡萄酒数据集,相比RBF神经网络模型,...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 论文的研究背景及意义
    1.2 国内外研究现状
        1.2.1 国内研究现状
        1.2.2 国外研究进展
    1.3 本文主要研究内容与创新点
    1.4 论文的章节安排
2 理论基础
    2.1 最小二乘法
    2.2 支持向量机
3 模型概述
    3.1 变量选择方法
        3.1.1 梯度提升回归树算法
        3.1.2 逐步回归
        3.1.3 LASSO算法
    3.2 支持向量机回归
        3.2.1 支持向量机回归发展
        3.2.2 支持向量回归的基本问题
        3.2.3 最小二乘支持向量机回归
    3.3 RBF神经网络
    3.4 遗传算法
4 模型在红葡萄酒数据集中的应用
    4.1 数据特征分析
    4.2 变量选择
        4.2.1 应用梯度提升回归树进行变量选择
        4.2.2 应用逐步回归进行变量选择
        4.2.3 应用lasso回归进行变量选择
    4.3 最小二乘支持向量机回归的应用
    4.4 神经网络模型的应用
    4.5 模型效果的对比
        4.5.1 LS-SVR使用全变量集和使用特征集的效果对比
        4.5.2 LS-SVR与遗传算法优化后的LS-SVR的评估效果对比
        4.5.3 最小二乘支持向量机回归与神经网络的评估效果对比
5 模型在白葡萄酒数据集中的应用
    5.1 数据特征分析
    5.2 变量选择
    5.3 模型的应用及结果分析
总结和展望
参考文献
附录 程序代码
致谢



本文编号：3947476