下载掌阅APP，畅读海量书库
立即打开
在2.3节中，我们已经掌握探索性数据分析的一般流程和基本方法。值得一提的是，Wine酒数据集的数据质量还是比较好的——既没有缺失值，也没有重复值，为我们省去了很多数据预处理的工作。下面我们就可以进行模型训练的工作。
同样，我们让ChatGPT先把代码写出来。在ChatGPT对话框中输入“使用wine.data训练模型”，可以看到ChatGPT给出如下答复。
ChatGPT使用wine.data数据集进行建模，需要进行以下步骤。
导入必要的库：使用Pandas读取数据，使用scikit-learn进行数据预处理和建模。
读取数据：使用Pandas读取wine.data文件，并设置列名。
数据预处理：将数据集分为特征和标签，并使用StandardScaler进行数据标准化。
划分训练集和测试集：使用train_test_split函数划分训练集和测试集。
训练模型：使用LogisticRegression进行模型训练。
模型评估：使用测试集进行模型评估。
这些步骤完成后，就可以得到模型的预测准确率。实际应用中，还需要根据具体问题和需求选择合适的模型和调整参数，进行模型优化和改进。
可以看到，ChatGPT给出了完整的模型训练代码。代码中有一部分和前面的代码是重复的，如读取数据、设置列名、数据标准化处理等。这部分重复的代码我们不再保留，重点研究有效的代码。
首先需要再导入一些需要的库，代码如下。
上面两行代码，导入了一个用于将数据集拆分为训练集和测试集的工具——train_test_split，以及一个用于分类任务的工具——LogisticRegression（一般翻译为“逻辑回归”）。接下来，我们根据ChatGPT的提示，把数据分为特征和标签，代码如下。
上面两行代码，将原数据集中的分类标签“Class”赋值给变量y，其他特征赋值给X（很多时候习惯用大写的X代表特征）。也就是说，我们要训练一个模型，让它学习根据每种酒的酒精浓度、苹果酸含量、灰分含量等特征，将其划入正确的分类中，也就是打上分类标签“1”“2”或“3”。
ChatGPT给出的代码中，重新读取了数据并创建了名为data的对象。但我们在前面读取数据时，创建的对象名为df，所以大家需要修改一下代码。
在做探索性数据分析的时候，我们已经对数据进行过标准化处理，因此可以略过标准化处理的代码，直接进行训练集和测试集的拆分。代码如下。
在上面的代码中，我们使用train_test_split工具将数据集拆分成训练集和测试集，通过指定test_size参数，限定测试集的样本数量占整体数量的20%。这样就可以使用80%的样本训练模型，并使用20%的样本验证模型的准确率了。
完成上面的工作后，我们就可以正式开始模型的训练了。训练与验证模型的代码如下。
在这段代码中，我们先创建了一个逻辑回归的模型，然后让该模型拟合训练集中的数据。训练完成后，我们使用score()方法在测试集中验证模型的准确率，并打印其结果。运行代码将得到如下的结果。
从程序返回的结果来看，我们训练的模型在测试集中获得了100%的准确率。也就是说，通过训练集的学习，模型可以把测试集中每一个样本都划分到正确的分类当中。如果读者也得到了同样的结果，那么恭喜你，在机器学习领域取得了“开门红”的好成绩！
对于初学者来说，上面的代码中还涉及一些没有讲过的知识（如什么是逻辑回归等），本章只是为了给大家介绍一个小型机器学习项目的整体流程，在后面的章节中会对具体知识详细展开讲解。