基于數(shù)據(jù)挖掘技術(shù)的紅酒評(píng)分預(yù)測(cè)模型的設(shè)計(jì)與分析

王柏

摘要：隨著現(xiàn)代社會(huì)的快速發(fā)展，紅酒行業(yè)已慢慢走向全球化與大眾化，更多的紅酒品牌和品種也逐漸被世人所知。然而，紅酒品質(zhì)也分三六九等，如何判斷一款紅酒是優(yōu)是劣？利用SPSS，Excel等軟件，使用回歸、決策樹、聚類等經(jīng)典機(jī)器學(xué)習(xí)算法，對(duì)紅酒的價(jià)格、評(píng)分、產(chǎn)地等因素進(jìn)行統(tǒng)計(jì)與分析。最終得出紅酒的原產(chǎn)國，省份以及品種基本可以決定紅酒的優(yōu)劣。

關(guān)鍵詞：紅酒;數(shù)據(jù)挖掘;機(jī)器學(xué)習(xí)

中圖分類號(hào)：TB文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.1672-3198.2019.07.100

1前言

紅酒，是一種有著漫長歷史的飲品。早在公元前1000年，紅酒就在地中海沿岸大部分地區(qū)繁衍傳播，并逐漸發(fā)展成為高檔飲品。在全世界的基督教信徒的眼中，紅酒被視為耶穌的血液，這一點(diǎn)也促進(jìn)了紅酒的平民化。紅酒不僅僅給人以高雅和浪漫的感覺，在很多女性心中還有美容駐顏的功效，隨著時(shí)間的推移，社會(huì)也在快速發(fā)展，人們生活水平逐步提升，紅酒市場目前擁有著巨大的發(fā)展?jié)摿土己玫陌l(fā)展前景，紅酒也將逐漸走向全球化與大眾化，讓越來越多的人有機(jī)會(huì)去品嘗。

近年來，越來越多的人更加講究紅酒的品質(zhì)，傳統(tǒng)紅酒的品鑒，要考慮紅酒的香氣、口感、結(jié)構(gòu)、釀造工藝、風(fēng)土和價(jià)格等綜合因素。但這些復(fù)雜的品鑒技術(shù)需要積年累月的品酒經(jīng)驗(yàn)，對(duì)于大多數(shù)普通人來說，學(xué)習(xí)這門技術(shù)并不容易。因此，人們對(duì)于紅酒的品質(zhì)界定十分地模糊，并不清楚哪些紅酒檔次較高，而哪些紅酒檔次相對(duì)較低。為了幫助人們通過更簡單直接的方法去了解紅酒的品質(zhì)，本文根據(jù)Kaggle網(wǎng)站上Wine Reviews專題提供的129970組數(shù)據(jù)，使用決策樹，聚類等經(jīng)典機(jī)器學(xué)習(xí)算法，分析數(shù)據(jù)規(guī)律，建立了根據(jù)紅酒產(chǎn)地、品種、制造商等因素預(yù)測(cè)紅酒品質(zhì)的模型;并探索了影響紅酒檔次的最主要因素。該模型可以為喜歡紅酒的人們提供參考，從而使他們對(duì)于紅酒品質(zhì)有著更加清晰的認(rèn)識(shí)。

2數(shù)據(jù)介紹和預(yù)處理

本文使用的Wine Reviews數(shù)據(jù)集的原始出處是WineEnthusiast網(wǎng)站上不同國家用戶對(duì)眾多紅酒的評(píng)論。本數(shù)據(jù)集主要包含了129970款紅酒的產(chǎn)地國（Country）、省份（Province）、城市（Region）、評(píng)分（Points）、描述（Description）、制造商（Winery）、品種（Variety）、價(jià)格（Price）等重要因素。

數(shù)據(jù)集中，評(píng)分和價(jià)格都是數(shù)值型屬性，為了構(gòu)建決策樹模型，在預(yù)處理過程中，要對(duì)這兩個(gè)屬性進(jìn)行離散化處理。本文根據(jù)分?jǐn)?shù)的高低初步劃分這些紅酒的檔次，大于等于90分的為高等（High），大于等于85分，小于90分的為中等（Medium），小于85分的則為低等（Low）。同時(shí)，本文對(duì)價(jià)格進(jìn)行排序，將紅酒的價(jià)格劃分為三個(gè)檔次：大于等于500美元的為貴（Expensive），大于等于100美元，小于500美元的為普通（Normal），小于100美元的為便宜（Cheap）。

同時(shí)在這129970組數(shù)據(jù)當(dāng)中，缺失部分?jǐn)?shù)據(jù)的紅酒樣本會(huì)對(duì)計(jì)算產(chǎn)生影響，為消除這部分影響，本文刪除了部分?jǐn)?shù)值或資料缺失的樣本，保證紅酒數(shù)據(jù)的完整性，為后文中的預(yù)測(cè)模型的準(zhǔn)確性提供更加科學(xué)的依據(jù)。

3單因素?cái)?shù)據(jù)分析

3.1原產(chǎn)國、價(jià)格與評(píng)分

首先，本文將對(duì)129970款紅酒按照國家（country）分類，分別求出不同國家紅酒的平均價(jià)格和平均評(píng)分。使用了Excel的“分類匯總”功能，將國家作為“分類字段”，將“價(jià)格”和“評(píng)分”作為“匯總方式”，使用“平均值”作為匯總項(xiàng)。得到分類匯總的結(jié)果后，本文使用“定位”功能，將匯總結(jié)果單獨(dú)取出，使用EXCEL圖表中的“組合圖”，分別用柱形圖表示“評(píng)分”，用折線圖表示“價(jià)格”，得到結(jié)果如圖1所示。

通過比較每個(gè)國家紅酒的平均價(jià)格與平均評(píng)分，我們可以判斷哪些國家的紅酒更加物美價(jià)廉。根據(jù)圖1我們分析得出，法國、匈牙利、盧森堡、德國、意大利等這些我們熟知的紅酒發(fā)展歷史悠久的歐洲國家的紅酒性價(jià)比反而比較低。反而，如印度、摩洛哥、阿爾巴尼亞、塞爾維亞、智利、土耳其等國家，其紅酒擁有不俗的品質(zhì)，但是價(jià)格并不高，他們出產(chǎn)的紅酒往往是性價(jià)比高的選擇。

其次，我們重點(diǎn)觀察了高品質(zhì)紅酒的原產(chǎn)地。紅酒平均得分最高的五個(gè)國家均在歐洲，分別是英國、奧地利、法國、德國和意大利。在亞洲國家中，評(píng)分最高的三個(gè)國家是土耳其、印度和以色列。韓國、中國、黑山共和國的紅酒的平均評(píng)分是最差的。

由此可見，原產(chǎn)國對(duì)于紅酒的評(píng)分與價(jià)格或多或少產(chǎn)生了一定的影響，本文會(huì)將在多因素分析中進(jìn)一步解釋與說明。

3.2省份、價(jià)格與評(píng)分

本文使用同3.1相似的辦法，對(duì)各個(gè)原產(chǎn)國中不同省區(qū)（province）的性價(jià)比進(jìn)行了計(jì)算，發(fā)現(xiàn)每個(gè)原產(chǎn)國都會(huì)有至少一個(gè)較大的紅酒產(chǎn)區(qū)。這些較大的紅酒產(chǎn)區(qū)出產(chǎn)的紅酒評(píng)分都相對(duì)較高，同時(shí)價(jià)格也相對(duì)較昂貴。例如，我們熟知的法國波爾多紅酒產(chǎn)區(qū)，其紅酒的平均得分在所有的省份中并不算很高，但紅酒的平均價(jià)格高達(dá)57.3美元（約合372.45元人民幣）。

由此可見，出自著名產(chǎn)區(qū)的紅酒并不一定都是性價(jià)比可行的紅酒。同樣，本文將會(huì)在多因素分析中運(yùn)用決策樹算法進(jìn)一步研究省份對(duì)于價(jià)格與評(píng)分的影響。

3.3描述、價(jià)格與評(píng)分

如何預(yù)測(cè)一款紅酒的價(jià)格與評(píng)分，評(píng)價(jià)者們對(duì)紅酒的描述（description）也成為了一個(gè)不可或缺的因素。我們使用python NLTK package對(duì)描述中詞進(jìn)行解析統(tǒng)計(jì)。其中，出現(xiàn)頻率最高的Top10名詞是：wine，flavor，fruit，acid，cherri，aroma，tannin，palat，spice，間接說明了描述的內(nèi)容主要是以紅酒的氣味、口味為主，“果味”、“香料”、“酸甜度”都是評(píng)價(jià)一款紅酒很重要的因素。

為了簡單分析紅酒描述對(duì)于價(jià)格和評(píng)分的影響，本文主要提取了6個(gè)不同方面的關(guān)鍵詞：絲滑（Smooth），純正（Pure），余味（Aftertaste），百分百（100%），顏色（Color）和新鮮（Fresh），并計(jì)算出含有這些高頻詞匯的紅酒平均價(jià)格與平均評(píng)分的關(guān)系。在性價(jià)比方面含有“新鮮”關(guān)鍵詞的紅酒性價(jià)最低，含有“百分百”關(guān)鍵詞的紅酒性價(jià)比最高。在評(píng)分方面，平均得分最高的是描述中含有“純正”關(guān)鍵詞的紅酒，為9041;但這些紅酒價(jià)格不菲，平均價(jià)格為51.12美元。同時(shí)我們發(fā)現(xiàn)，性價(jià)比相對(duì)較低的紅酒組平均得分也不是很高。

由于描述眾多，不便于統(tǒng)計(jì)，并且經(jīng)過初步分析，描述對(duì)于紅酒的性價(jià)比影響并不是很大，因此在下面的多因素分析中將暫時(shí)不作為自變量進(jìn)行分析。

3.4品種、價(jià)格與評(píng)分

如何更加全面準(zhǔn)確地預(yù)測(cè)紅酒的評(píng)分，紅酒的品種也是一個(gè)不可或缺的重要因素。本文運(yùn)用Excel當(dāng)中的“分類匯總”功能，將紅酒的性價(jià)比根據(jù)紅酒的種類進(jìn)行分類匯總并進(jìn)行比較。其中Nebbiolo的性價(jià)比最高，為0.68;最低的是Rosé，為0.20。而Nebbiolo品種的紅酒得分普遍較高，為90.22分，但價(jià)格也較為昂貴，平均價(jià)格為61.70美元（約合401.05人民幣），總體來看，評(píng)分較高的紅酒品種價(jià)格都相對(duì)較高，評(píng)分較低的紅酒品種也相對(duì)較便宜，因此紅酒的品種對(duì)于紅酒評(píng)分的預(yù)測(cè)基本呈正相關(guān)，即越高檔的品種，預(yù)測(cè)的評(píng)分也會(huì)越高。

3.5綜述

在單因素?cái)?shù)據(jù)分析中，本文主要通過比較平均價(jià)格與平均得分的比值，初步對(duì)各個(gè)影響因素進(jìn)行初步的分析。本文初步認(rèn)為，原產(chǎn)國有可能會(huì)成為預(yù)測(cè)紅酒得分、價(jià)格模型中一個(gè)較為重要的評(píng)分標(biāo)準(zhǔn);描述也會(huì)有所影響，但是由于描述眾多，暫不作為預(yù)測(cè)紅酒評(píng)分的標(biāo)準(zhǔn)之一。本文將會(huì)在下一章中，運(yùn)用決策樹等經(jīng)典機(jī)器學(xué)習(xí)算法，進(jìn)一步分析各個(gè)因素對(duì)于紅酒品質(zhì)的影響，構(gòu)建評(píng)分預(yù)測(cè)模型。

4多因素?cái)?shù)據(jù)分析

為使該模型更加簡潔，本文通過計(jì)數(shù)的方式將48個(gè)國家分為US，F(xiàn)rance，Italy，Spain，Chile，Argentina，Portugal，Australia和Others九大類，其中前八類占總數(shù)據(jù)的90.75%;將446個(gè)省區(qū)分為California，Washington，Tuscany，Northern Spain，Mendoza Province，Oregon，Burgundy，Veneto，South Australia，Piedmont，Bordeaux，New York，Sicily & Sardinia和Others十四類，其中前十三類占總數(shù)據(jù)的68.14%;將620個(gè)紅酒品種分為Chardonnay，White Blend等和Others共二十類，其中除Others以外的其他類別占總數(shù)據(jù)的7316%。這樣的提取基本可以為下面紅酒評(píng)分預(yù)測(cè)系統(tǒng)的測(cè)試提供可靠的規(guī)律。

進(jìn)行該處理后，本文在每條數(shù)據(jù)后添加隨機(jī)數(shù)函數(shù) RAND，生成一個(gè)所在行的隨機(jī)數(shù)，根據(jù)隨機(jī)數(shù)的大小對(duì)樣本進(jìn)行重新排序，并選取其中最先出現(xiàn)的20000款紅酒的數(shù)據(jù)，作為我們的隨機(jī)樣本數(shù)據(jù)，建立決策樹模型進(jìn)行分類和預(yù)測(cè)。在該決策樹模型中，本文以得分作為因變量，原產(chǎn)國，省區(qū)和品種作為自變量，價(jià)格為影響變量。選取這20000款中70%作為訓(xùn)練樣本，剩余的30%作為測(cè)試樣本。訓(xùn)練樣本的決策樹模型如圖2所示。

根據(jù)計(jì)算結(jié)果分析，該決策樹模型的正確率約為87.8%，樹的深度為6，共有43個(gè)節(jié)點(diǎn)。其中，來自Tuscany，Burgundy，Bordeaux， Piedmont和South Australia的Merlot， Syrah和Bordeaux-Style White Blend品種紅酒的預(yù)測(cè)得分最高，為93.602;來自Chile， Argentina， Spain和Portugal的Zinfandel， Sauvignon Blanc，White Blend， Rosé， Merlot， Nebbiolo和Shiraz品種的紅酒預(yù)測(cè)得分最低，為85.100.大多數(shù)紅酒的分?jǐn)?shù)都在87分至92分之間。據(jù)此，該模型基本可以準(zhǔn)確根據(jù)紅酒的原產(chǎn)國，省區(qū)和紅酒的品種對(duì)紅酒的評(píng)分進(jìn)行預(yù)測(cè)。

5總結(jié)

本文首先單因素分析了原產(chǎn)國，產(chǎn)地和品種對(duì)紅酒的價(jià)格與評(píng)分進(jìn)行了簡單的分析，之后以此為基礎(chǔ)，運(yùn)用決策樹算法，建立了較為簡單的紅酒評(píng)分預(yù)測(cè)系統(tǒng)的模型。從實(shí)驗(yàn)結(jié)果來看，該系統(tǒng)的準(zhǔn)確率較高，因此基本可以說明紅酒的原產(chǎn)國，省份以及品種大致決定了紅酒的評(píng)分。

但是，該紅酒評(píng)分預(yù)測(cè)系統(tǒng)也有一定的局限性。首先，隨機(jī)選取的樣本當(dāng)中不排除平均數(shù)值較實(shí)際數(shù)值偏低或偏高的情況，因此不一定能夠準(zhǔn)確地反映一款紅酒的整體水平;其次，該紅酒評(píng)分預(yù)測(cè)模型也只是通過分析紅酒的原產(chǎn)國、省份和品種而建立的，忽略了酒廠，描述以及品牌對(duì)于預(yù)測(cè)紅酒評(píng)分的影響，因此有可能會(huì)錯(cuò)誤地預(yù)測(cè)紅酒的評(píng)分。

雖然有一定的局限性，但是該紅酒評(píng)分預(yù)測(cè)系統(tǒng)提供的數(shù)據(jù)依然有值得參考的價(jià)值，人們可以通過這個(gè)系統(tǒng)初步了解一款紅酒的得分，從而了解這款紅酒處于什么樣的檔次。同時(shí)隨著服務(wù)業(yè)的快速發(fā)展，該紅酒評(píng)分預(yù)測(cè)系統(tǒng)也將具有根據(jù)人們的需求為人們推薦評(píng)分較高或性價(jià)比較高的紅酒的功能，同時(shí)也會(huì)根據(jù)用戶對(duì)于這款紅酒的評(píng)論不斷更新紅酒的評(píng)分，使該紅酒評(píng)分預(yù)測(cè)系統(tǒng)更加完善。

然而，無論該紅酒評(píng)分預(yù)測(cè)系統(tǒng)有多么地完善，真正評(píng)分高的紅酒，依然需要專業(yè)的品酒師進(jìn)行品鑒，提供更可靠，更科學(xué)的結(jié)論。

參考文獻(xiàn)

[1]尚朝軒.基于類決策樹分類的特征層融合識(shí)別算法[J].控制與決策，2016，31（6）：1009-1014.

[2]Wang size.The Study on Evaluation System of Wine Based on Data Mining[J].Advances in Applied Mathematics，2015，4（4）：376.

[3]Li，Weishu，et al.Improved Wine Quality Recognition Based on Particle Swarm Optimization Neural Network[Z].2018.