MATLAB实现朴素贝叶斯分类对手葡萄酒数据集进行分类

有关于在机器学习中的，机器学习中用到的wine葡萄酒数据集，文件中包含自己整理的变量名称的完整数据集。

这是关于意大利一个地区的葡萄酒数据[1]，该数据是对该地区的三种不同培育品种的葡萄所酿造的酒的13种要素的化学分析结果，一共有178个观测值。我们希望用这些数据来建立一个模型，利用这些要素的特性来判断是那个品种的葡萄所酿造的酒。因变量是Class (品种)，有1、2、3个哑元取值，而13个自变量为：Alcohol (酒精)、 Malic.acid (苹果酸)、Ash (灰分)、Alcalinity of ash (灰的碱性)、Magnesium (镁)、 Total phenols (苯酚总量)、Flavanoids[2]、Nonflavanoid phenols(非flavanoid苯酚)、Proanthocyanins[3]、Color intensity(颜色强度)、Hue(色调)、OD280/OD315 of diluted wines (稀释的酒的蛋白质浓度的光谱度量)、Proline(脯氨酸)。

内部包含Iris数据集、帕尔默企鹅数据集、共享单车需求数据集、葡萄酒分类数据集、波士顿住房数据集、电离层数据集、Fashion MNIST 数据集、威斯康星州乳腺癌（诊断）数据集、情绪分析Sentiment 数据集、BBC 新闻数据集、垃圾短信分类器数据集、CelebA 数据集、纸币验证数据集、皮马印第安人糖尿病数据集、小麦种子数据集、鲍鱼数据集、MNIST数据集等，包含数据集及详细的数据集简介，帮助你快速找到需要的数据集。

本数据集为wine数据集，包含三张类别的葡萄酒，三类共178个样本，每个样本包含13个特征，分别为酒精 苹果酸 艾熙 灰分碱性 镁 总酚类 黄酮类 非淀粉酚类 原花青素 颜色强度 色调 稀释葡萄酒的OD280/OD315 脯氨酸

Wine葡萄酒数据集是来自UCI数据集上的公开数据集，这些数据是对意大利同一地区种植的葡萄酒进行化学分析的结果，这些葡萄酒来自三个不同的品种。数据包括了三种酒中13种不同成分的数量。每行代表一种酒的样本，共有178个样本，一共有14列，其中，第一个属性是类标识符，分别是1/2/3来表示，代表葡萄酒的三个分类。其它13列为每个样本的对应属性的样本值。属性分别是：酒精、苹果酸、灰、灰分的碱度、镁、总酚、黄酮类化合物、非黄烷类酚类、原花色素、颜色强度、色调、稀释葡萄酒的OD280/OD315、脯氨酸。可以用来进行数据分析和数据挖掘。

影响红葡萄酒品质的化学成分探索 本报告探讨的数据集包含1,599 种红酒，以及 11个关于酒的化学成分的变量。至少3名葡萄酒专家对每 种酒的品质进行了评分，分数在 0（非常差）和10（非常好）之间。 红葡萄酒数据集包含1599种葡萄酒信息，我从理解数据集中的各个变量开始，对各个变量进行观察，探索红葡萄酒中的化学成分对红葡萄酒品质的影响，酒精和红葡萄酒品质有较强的正相关关系，挥发性酸度和红葡萄酒品质有较强的负相关关系，酒精越高，挥发性酸度越低，红葡萄酒品质越好。酒精和硫酸盐与红葡萄酒品质是正相关关系，酒精越高，硫酸盐越高，红葡萄酒品质越好。柠檬酸单独对红葡萄酒的品质几乎没有影响，但是较高的柠檬酸和较高的酒精会对红葡萄酒的品质产生积极影响。

包括两个数据集:红葡萄酒数据集winequality-red.csv，白葡萄酒数据集winequality-white.csv，涉及来自葡萄牙北部的红色和白色vinho verde葡萄酒样本。 目标是根据物理化学测试对葡萄酒质量进行建模 Two datasets are included, related to red and white vinho verde wine samples, from the north of Portugal. The goal is to model wine quality based on physicochemical tests

wine.data是葡萄酒数据集，作为经典的PCA案例，原数据是124*13维，经过PCA特征提取变换为124*2维，是机器学习特征提取的一个案例数据集。

通过使用lssvm对葡萄酒数据集进行分类然后使用lssvm工具箱，哈哈。1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；   2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；   3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；   4) 使用了贝叶斯推断（Bayesian inference）；   5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；   6) 可以拓展到递归神经网络中。