科学实验：市场数据能否识别葡萄酒类型？

Source: Dev.to

引言

为了解决葡萄酒分类的挑战，我们将目标从预测连续评分（评级）转变为根据其市场和时间特征识别葡萄酒的类别——红葡萄酒、玫瑰红或白葡萄酒。

传统的葡萄酒分类依赖化学分析或标签阅读。在本实验中，我们检验假设：市场代理变量 价格、评级 和 年份（年） 含有足够的潜在信息，以准确将葡萄酒分类到相应的类别。

假设

• (H_1)：不同的葡萄酒类别在 价格‑评级‑年份 三维空间中呈现独特的聚类。
  • 预计红葡萄酒因平均价格更高且具有更好的陈年潜力，而在聚类中最为显著。

数据准备

• 将三个独立数据集（红、玫瑰红、白）合并为一个包含 12,827 条记录的主数据框。
• 保留 WineType 标签作为监督学习的真实标签。
• 对 Year 列进行标准化，去除 “N.V.”（非年份）条目，确保时间特征对分类器而言是严格的数值型。

探索性分析

类别之间的重叠

箱线图分析显示，虽然红葡萄酒和白葡萄酒的评级分布有重叠，但它们的价格波动差异显著。

相关性

相关矩阵突出显示 Year 与 Rating 的相关系数为 ‑0.33，表明年份是影响这些葡萄酒在市场上被感知和定价的主要区分因素。

模型

• 算法：随机森林分类器，使用 100 棵决策树。
• 理由：能够处理市场数据中的非线性边界（例如，$50 的白葡萄酒在评级特征上可能与 $50 的红葡萄酒截然不同）。

结果

分类报告

关键指标

• 整体准确率：67 %（模型对主要类别的测试集正确分类率超过 85 %）。
• 精确率：红葡萄酒最高，反映其专属的高价位层次。
• 召回率：玫瑰红常被误分类为轻盈的红葡萄酒或丰满的白葡萄酒，验证了其在市场上的“中间地带”特征。

讨论

模型在区分红葡萄酒和白葡萄酒方面取得了较高的准确率，而玫瑰红因样本量较小（397 条记录）且价格‑评级特征与其他两类重叠，分类难度更大。

这些发现表明，仅凭市场信号——价格、年份和消费者评级——即可推断葡萄酒的 类型，无需进行化学分析。

含义

本实验为构建 葡萄酒推荐引擎 奠定了基础，该引擎不仅搜索“相似葡萄酒”，还能根据用户的预算和质量期望，理解用户可能在寻找的葡萄酒类别。