当前位置：首页 > news >正文

基于mlp的神经网络的红酒品质回归预测

news 2026/5/27 2:32:04

1.作者介绍
王浩宇，男，西安工程大学电子信息学院，2025级研究生
研究方向：古建筑数字化保护
电子邮件：why1904791793@163.com

2 . MLP 神经网络的红酒品质回归预测(PyTorch-free 的 sklearn 全流程实现）知识介绍
2.1 多层感知机（MLP）
MLP 是前馈神经网络，由输入层、隐藏层、输出层组成，层间全连接且通过非线性激活函数引入非线性表达能力：

其中，ReLU 激活函数，W^{l为权重、b}l 偏置

2.2 回归评估指标
平均绝对误差MAE（又称L1范数损失），即误差绝对值的平均值。MAE可以准确反映实际预测误差的大小。MAE用于评价真实值与拟合值的偏离程度，MAE值越接近于0，说明模型拟合越好，模型预测准确率越高（但是RMSE值还是使用最多的）。
MAE计算公式：

均方误差MSE（又称L2范数损失），即误差平方和的平均值，MSE是衡量模型预测误差的一种常用指标。MSE值越接近于0，说明模型拟合越好。
MSE计算公式：

均方误差根RMSE，是均方误差MSE的算术平方根，回归模型中最常用的评价模型指标。相比于均方误差MSE，均方误差根RMSE更常用。RMSE值越接近0，说明模型拟合越好。
RMSE值计算公式：

R方值是衡量回归模型拟合优度的统计量，它表示回归模型对观测值的拟合程度，代表了模型中因变量可由自变量解释的百分比。R方值的取值范围在0到1之间，R方值越大，说明回归模型对观测值的拟合程度越好。比如R方为0.5，说明所有自变量可以解释因变量50%的变化原因。
R方计算公式如下

2.3 数据标准化
神经网络对输入尺度敏感，采用两阶段标准化：

特征标准化：StandardScaler将11个特征转为零均值、单位方差；
目标值标准化：TransformedTargetRegressor包裹 MLP，自动标准化 quality并在预测时还原（提升训练稳定性）。
实验设计与实现
3.1 数据集准备
3.1.1 数据来源
UCI Machine Learning Repository：
下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv
3.1.2 数据集概览

3.1.3 特征说明

3.1.4 数据预处理

自动兼容分号/逗号分隔的 CSV 格式；
固定随机种子划分训练/测试集；
特征+目标值双标准化。
3.2 模型架构与超参数
3.2.1 模型结构

3.2.2 核心超参数

3.2.3 Pipeline 管道
Pipeline([
(“feature_scaler”, StandardScaler()), # 特征标准化
(“model”, TransformedTargetRegressor( # 目标值标准化+MLP
regressor=MLPRegressor(…),
transformer=StandardScaler()
))
])

3.3 核心代码片段
3.3.1 数据加载

defload_dataset(path:Path)->tuple[pd.DataFrame,pd.Series]:# 自动兼容分号/逗号分隔的 CSV 格式data=pd.read_csv(path,sep=None,engine="python")ifdata.shape[1]==1and";"instr(data.columns[0]):data=pd.read_csv(path,sep=";",quotechar='"')x=data[FEATURE_COLUMNS]y=data[TARGET_COLUMN]returnx,y

3.3.2 模型构建

defbuild_model(hidden_layers,max_iter,random_state)->Pipeline:mlp=MLPRegressor(hidden_layer_sizes=tuple(hidden_layers),activation="relu",solver="adam",alpha=0.0005,max_iter=max_iter,early_stopping=True,validation_fraction=0.15,n_iter_no_change=40,)returnPipeline([("feature_scaler",StandardScaler()),("model",TransformedTargetRegressor(regressor=mlp,transformer=StandardScaler())),])

3.3.3 模型评估

defevaluate(y_true,y_pred)->dict:mse=mean_squared_error(y_true,y_pred)return{"mae":float(mean_absolute_error(y_true,y_pred)),"mse":float(mse),"rmse":float(np.sqrt(mse)),"r2":float(r2_score(y_true,y_pred)),}

3.4 运行方式
3.4.1 环境安装
python -m venv .venv
…venv\Scripts\Activate.ps1
pip install -r requirements.txt
3.4.2 训练模型
#默认参数训练
python train_mlp_wine_quality.py
#自定义参数
python train_mlp_wine_quality.py --hidden-layers 256 128 64 --max-iter 3000
#使用自定义数据
python train_mlp_wine_quality.py --data .\data\my_red_wine.csv
3.4.3 预测新样本
python predict.py --input .\data\new_wines.csv
4. 实验结果与分析
4.1 性能指标

关键结论：

测试集 MAE=0.458，相比基线提升约33%；
R²=0.501，模型可解释50%的品质方差；
训练/测试集指标差距合理，无严重过拟合。
4.2 可视化结果

4.3 误差分析
残差以0为中心呈正态分布，无系统性偏差；
边缘评分（3/8分）样本少，预测误差较大（数据不平衡）；
中间评分（5/6分）预测最准（训练样本多）。

项目文件结构
基于mlp的神经网络的红酒品质回归预测/
├── train_mlp_wine_quality.py # 训练主脚本
├── predict.py # 预测脚本
├── render_code_card.py # 代码卡片渲染
├── requirements.txt # 依赖清单
├── README.md # 项目说明
├── data/
│ ├── winequality-red.csv # 原始数据集
│ └── new_wines.csv # 待预测样本
└── outputs/
├── mlp_wine_quality_model.joblib # 训练好的模型
├── metrics.json # 评估指标
├── test_predictions.csv # 测试集预测结果
├── new_predictions.csv # 新样本预测结果
├── prediction_scatter.png # 散点图
├── true_vs_rounded_pred_heatmap.png # 热力图
├── residual_hist.png # 残差直方图
└── result_summary.png # 结果汇总图
总结与改进方向
6.1 总结
本文基于 sklearn 实现了 MLP 红酒品质回归预测，模型轻量化（数MB）、性能优于基线，适合教学和轻量部署。
6.2 改进方向
1 .类别不平衡：对边缘评分样本过采样/调整损失权重；
2 . 模型升级：对比 XGBoost/随机森林，或升级为 TabNet/PyTorch 模型；
3 .特征工程：构造交互项（如 pH×酸度、酒精度×残糖）；
4 .任务转换：将回归改为分类（低/中/高档次），评估准确率。
参考文献
[1] Cortez, P., et al. (2009). Wine Quality Data Set. UCI Machine Learning Repository.
[2] scikit-learn MLPRegressor 官方文档：https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPRegressor.html
[3] scikit-learn TransformedTargetRegressor：https://scikit-learn.org/stable/modules/generated/sklearn.compose.TransformedTargetRegressor.html
[4] https://www.zhihu.com/question/595477316/answer/3288447234