Wine Quality 可复现机器学习实验：随机森林二分类实战

本项目由 星枢 支持

星枢官网：https://claudeaihub.cloud/

技术交流 QQ 群：1097156200

Wine Quality 可复现机器学习实验：随机森林二分类预测高质量葡萄酒

做机器学习入门的时候，很多人第一个想法是找个大项目、上深度学习。但我的经验是：先把一个经典小数据集吃透，比囫囵吞枣地跑十个项目更有价值。

这次选的是 Kaggle 上非常经典的Wine Quality — Red & White数据集。选它的原因很简单——数据不大、结构清晰、不需要 GPU，而且结果很容易解释给别人听。

项目已经开源，地址在这里：

https://github.com/coderWang404/xingshuProjects/tree/main/2026-06-05-wine-quality-aihub

克隆下来，装好依赖，一条命令就能跑通全部实验。

1. 先看一下数据长什么样

Wine Quality 数据集记录了红白葡萄酒的 11 项理化指标（比如酸度、糖分、酒精度、密度等），以及一个 0-10 的质量评分。合并红白两个文件后，一共 6497 条记录。

我扫了一下 quality 列的分布，发现一个很有意思的事：

中位数和 75% 分位数都是 6 分。也就是说，绝大多数酒被评为"中等"，7 分及以上已经能挤进前 20% 了。所以我把quality >= 7定义为"高质量"，这个阈值不是拍脑袋定的——它是数据本身告诉我的。

从图里能直观看到，高质量样本（7 分以上）是明显的少数类，占比只有 19.66%。这意味着后面建模时必须处理类别不均衡，否则模型很容易偷懒——全部猜"普通"，也能对 80%。

2. 环境准备

依赖极少，一个requirements.txt就搞定了：

pandas numpy scikit-learn matplotlib

建议先建个虚拟环境：

gitclone https://github.com/coderWang404/xingshuProjects.gitcdxingshuProjects/2026-06-05-wine-quality-aihub python-mvenv venvsourcevenv/bin/activate# macOS/Linux# venv\Scripts\activate # Windowspipinstall-rrequirements.txt

3. 运行实验

python experiments/wine-quality/run_experiment.py

脚本会先检查本地有没有数据文件，没有的话自动从 UCI 仓库下载。运行完会在outputs/目录输出所有图表和指标文件。

4. 为什么选随机森林？

坦白说，这个项目完全可以用 XGBoost 或者逻辑回归来做，但我最后选了 RandomForest，有几个实际考虑：

第一，表格数据 + 可解释性。这是一个典型的结构化数据场景，特征全是数值型理化指标，没有图像或文本。树模型天然适合这种数据，而且不需要像神经网络那样调一堆超参数。

第二，类别不均衡。高质量样本只有 19.66%，不加处理的话模型会严重偏向多数类。我用class_weight="balanced"让模型在训练时自动给少数类加权——这相当于告诉模型：“别看高质量样本少，但猜对它们更重要。”

第三，Permutation Importance。随机森林可以很方便地计算特征重要性。做实验不只是为了跑出一个数字，还要能回答"模型为什么这么判断"。Permutation Importance 比默认的 Gini Importance 更可靠，因为它直接测量打乱某个特征后模型性能的下降程度。

具体参数：

model=RandomForestClassifier(n_estimators=260,max_depth=9,min_samples_leaf=4,class_weight="balanced",random_state=42,n_jobs=-1,)

260 棵树对于 6497 条数据已经足够了，再往上加边际收益很小。深度限制在 9 是为了防止在训练集上过度生长——如果让树无限深，它可能会记住某些噪声模式，而不是学到真正有用的规律。min_samples_leaf=4也是同样的目的：要求叶子节点至少有 4 个样本，避免生成过于细碎的决策规则。

5. 结果分析：Accuracy 0.82 是一个陷阱

先上核心指标：

如果只看 Accuracy，你可能会觉得"还不错，80% 多都对"。但仔细看分类报告就会发现问题：

precision recall f1-score support ordinary 0.93 0.84 0.88 1044 good 0.53 0.74 0.62 256

测试集 1300 条样本中，1044 条是普通酒，256 条是高质量酒。模型对普通酒的识别很稳（precision 0.93），但对高质量酒的 precision 只有 0.53——也就是说，模型每预测 100 瓶"好酒"，其实只有 53 瓶真的是好酒，另外 47 瓶是普通酒被误伤了。

但这个"误伤"是坏事吗？不一定。看 Recall：0.7422。这意味着真正的 256 瓶好酒中，模型成功找出了 190 瓶左右（74%）。代价是放进来不少"假阳性"。

换句话说，这个模型的性格是：宁可错杀一千，不可放过一个。它更适合做"初筛"——先把所有可能的候选都捞进来，然后让人工或更严格的规则去二次把关。

从混淆矩阵也能看出同样的规律：右上角（假阴性，漏掉的好酒）比左下角（假阳性，误判的普通酒）少得多。模型宁愿"多捞"，也不愿意"漏掉"。

ROC AUC 0.8790 说明模型整体区分能力还不错——如果把阈值调高，可以提高 precision 但降低 recall；调低则相反。具体怎么选，取决于业务里"漏掉好酒"和"误判普通酒"哪个代价更高。

6. 特征重要性：alcohol 一枝独秀

Permutation Importance 的结果让我有点意外——不是"某个特征稍微领先"，而是 alcohol碾压式第一：

alcohol 的重要性（0.23）是第二名 volatile acidity（0.04）的近 6 倍。而且它的标准差只有 0.019，说明这个结果很稳定——不管怎么打乱测试集，alcohol 始终是头号重要特征。

从葡萄酒常识的角度，这也说得通。酒精度通常和葡萄的成熟度、酿造工艺直接相关，而这些正是影响酒质的核心因素。

不过第二名到第五名之间的差距非常小（0.040 vs 0.035 vs 0.035 vs 0.034），而且它们的标准差都比较大。这意味着这几个特征的相对排名不太稳定——换一批测试数据，volatile acidity 和 chlorides 谁排第二可能会互换。所以结论是：alcohol 毫无疑问是最关键特征，但后面的几个理化指标共同构成了第二梯队，不能单独拎出某一个说"这就是第二重要的"。

还有一个有趣的细节：wine_type_white的重要性是-0.00076，几乎为零。白葡萄酒样本虽然是红葡萄酒的 3 倍多（4898 vs 1599），但"是红酒还是白酒"这件事，对预测质量几乎没什么帮助。模型不是靠颜色来分好坏的——它是靠酒精度、酸度、密度这些理化指标。

7. 实验输出

运行脚本后，experiments/wine-quality/outputs/会生成以下文件：

metrics.json # 完整指标 JSON dataset_profile.csv # 数据统计 feature_importance.csv # 全部特征重要性 classification_report.txt # 分类报告 quality_distribution.png # 质量分布图 feature_importance.png # 特征重要性图 confusion_matrix.png # 混淆矩阵图 summary.md # 实验摘要

所有输出都是自动生成的，随机种子固定为 42，所以每次运行结果完全一致。

8. 总结

这个实验从头到尾只有一个目的：做一个任何人都能复现的、有分析深度的轻量项目。

几个关键收获：

• 数据决定了阈值。quality >= 7 不是我随便定的，而是看了分布后发现的天然分界点。
• Accuracy 会骗人。82% 的准确率背后，是模型对少数类的识别能力仍然有限。Precision 和 Recall 的权衡比 Accuracy 更值得讨论。
• alcohol 是真的强。不是强一点，是碾压式的强。而且后面的特征排名不太稳定，分析时要小心不要过度解读。
• 这个模型适合做什么？初筛。它的性格是"宁可误判，不可漏掉"，刚好适合作为第一层过滤网。

如果你想拿它当学习模板，clone 下来改几个参数试试：把max_depth从 9 改成 5 或 15，看看过拟合和欠拟合长什么样；把class_weight="balanced"去掉，看看 Accuracy 会怎么变化——这些改动都会让你对随机森林和类别不均衡有更直观的理解。

本项目由 星枢 支持

星枢官网：https://claudeaihub.cloud/

技术交流 QQ 群：1097156200