3. （选做）为了防止出现假冒伪劣、逃避关税情况，某海关单位已有以往化验检测2个原产地的葡萄酒样品124个，现有6个未知类别样本葡萄酒需要确定来源地，如何制定检验策略对6个未知样本原产地进行甄别？利用所学分类算法探讨此问题。数据见 data_wine_new.csv.

这是一个典型的分类问题，可以使用机器学习中的分类算法来解决。

首先，我们需要读取并处理数据集。代码如下：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

# 读取数据集
data = pd.read_csv('data_wine_new.csv')

# 将类别标签编码为数字
le = LabelEncoder()
data['origin'] = le.fit_transform(data['origin'])

# 划分训练集和测试集
train_data, test_data, train_label, test_label = train_test_split(
    data.drop(columns=['origin']), data['origin'], test_size=6, random_state=42)

接着，我们可以使用常用的分类算法来训练模型并预测未知样本的原产地。这里我们选择决策树算法。代码如下：

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(train_data, train_label)

# 预测测试集
pred_label = clf.predict(test_data)

# 计算分类准确率
accuracy = accuracy_score(test_label, pred_label)
print('分类准确率为：', accuracy)

最后，我们可以将未知样本送入模型进行预测。代码如下：

# 待预测样本
unknown_data = pd.DataFrame({
    'alcohol': [12.3, 12.8, 13.4, 13.5, 14.2, 14.3],
    'malic_acid': [1.67, 1.64, 2.6, 1.81, 1.76, 1.92],
    'ash': [2.25, 2.21, 2.86, 2.61, 2.45, 2.72],
    'alcalinity_of_ash': [25.5, 20.8, 28.3, 20.0, 20.5, 20.0],
    'magnesium': [119, 120, 106, 100, 96, 111],
    'total_phenols': [1.72, 1.48, 1.98, 2.53, 2.5, 3.27],
    'flavanoids': [1.74, 1.73, 0.96, 1.3, 1.98, 2.98],
    'nonflavanoid_phenols': [0.42, 0.66, 0.27, 0.31, 0.96, 0.39],
    'proanthocyanins': [1.35, 1.92, 1.69, 1.83, 3.03, 1.86],
    'color_intensity': [2.76, 3.12, 5.1, 5.7, 6.2, 8.2],
    'hue': [0.86, 0.48, 0.87, 0.81, 0.88, 0.29],
    'od280/od315_of_diluted_wines': [3.45, 2.56, 3.0, 2.98, 2.45, 1.98],
    'proline': [1480, 760, 1235, 1285, 1280, 1035]
})

# 预测未知样本的原产地
unknown_label = clf.predict(unknown_data)

# 将数字编码转换为类别标签
unknown_origin = le.inverse_transform(unknown_label)
print('未知样本的原产地为：', unknown_origin)

以上代码中，我们使用决策树算法对数据集进行训练，并在测试集上计算了分类准确率。随后，我们使用训练好的模型对未知样本进行预测，并将数字编码转换为原始的类别标签。最终，我们得到了未知样本的原产地预测结果。