基于KNN模型预测葡萄酒种类的数据分析与可视化代码

基于K-Nearest Neighbors (KNN)模型预测葡萄酒种类通常涉及以下几个步骤：

1. **数据加载**：首先，你需要导入所需的库如`pandas`, `numpy`, 和 `sklearn`。然后，可以使用`read_csv`函数从CSV文件中加载葡萄酒数据集，例如scikit-learn自带的`wine_data.csv`。

import pandas as pd
from sklearn.datasets import load_wine

data = load_wine()
df = pd.DataFrame(data.data, columns=data.feature_names)
target = data.target

2. **数据预处理**：对数据进行必要的清洗、缺失值处理、特征缩放等操作，以便KNN算法更好地工作。

3. **划分训练集和测试集**：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(df, target, test_size=0.2, random_state=42)

4. **创建KNN分类器**：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5) # 可能需要调整n_neighbors参数
knn.fit(X_train, y_train)

5. **预测与评估**：

y_pred = knn.predict(X_test)
from sklearn.metrics import classification_report, confusion_matrix
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

6. **数据分析与可视化**：你可以使用matplotlib或seaborn库将预测结果与真实标签对比，以及展示特征重要性。

import matplotlib.pyplot as plt
import seaborn as sns

# Confusion Matrix plot
sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, cmap="Blues")
plt.xlabel('Predicted')
plt.ylabel('True')

# Feature Importance
feature_importances = pd.Series(knn.feature_importances_, index=df.columns)
sns.barplot(x=feature_importances, orient='h', palette="rocket")
plt.title("Feature Importances")
plt.show()