自己写了一个代码，用线性回归来预测葡萄酒的质量，虽然结果来说不太好，不过重在理解过程，后续写理解。

#!/usr/bin/env python

# coding: utf-8

# In[1]:

# 葡萄酒数据集

url = "http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"

# In[2]:

import numpy as np

import pandas as pd

from matplotlib import pyplot as plt

from sklearn import preprocessing

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error

# In[3]:

plt.rcParams['font.sans-serif'] = ['SimHei']

# In[5]:

data = pd.read_csv(url,sep=';')

data

# In[9]:

data = data.dropna(how='any')

data = data.drop_duplicates()

data

# In[15]:

data = data.T[abs(data.corr()['quality'])>=0.2].T

data

# In[25]:

plt.scatter(data['alcohol'], data['quality'])

# In[16]:

x = np.array(data.iloc[:, :-1])

y = np.array(data.iloc[:, -1:])

# In[17]:

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)

# In[18]:

min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))

x_train = min_max_scaler.fit_transform(x_train)

x_test = min_max_scaler.fit_transform(x_test)

# In[20]:

lr = LinearRegression()

lr.fit(x_train, y_train)

y_test_pred = lr.predict(x_test)

y_train_pred = lr.predict(x_train)

# In[26]:

def draw_figure(title, *datalist):

    plt.figure(facecolor='gray', figsize=(20, 10))

    for v in datalist:

        plt.plot(v[0], '-', label=v[1], linewidth=2)

        plt.plot(v[0], 'o')

    plt.grid()

    plt.title(title, fontsize=20)

    plt.legend(fontsize=20)

    plt.show()

# In[32]:

print("The mean_squared_error for train set is {}".format(mean_squared_error(y_train, y_train_pred)))

print("The mean_squared_error for test set is {}".format(mean_squared_error(y_test, y_test_pred)))

# In[33]:

draw_figure("预测值与真实值图模型的$R^2={:.4f}$".format(lr.score(x_test, y_test)), [y_test, "True"], [y_test_pred, "Pred"])