2022国赛C题解析

数据

读取玻璃文物的基本信息数据设置索引：

问题一

风化与类型、纹饰和颜色的关系

分别读取：


做相关性分析即可：

分析结果：

可视化下就丰富了论文了。

统计规律

做好可视化来描述统计规律就再好不过了。比如可以用这样的箱型图：

预测其风化前的化学成分含量

输出处理好后，决策树就挺好。这个题需要注意的是，这是化学背景的题，肯定要考虑化学反应，所以最好先预测sio2这个催化剂再预测花絮成分会好一点。

问题二

选择合适的化学成分进行亚类划分
使用层次聚类的方法即可,如果使用kmeans的话需要结合手肘法。最后分为三个亚类。可视化：

其中一个手肘图绘制可以得到如下：

拐点3处为最佳。

问题三

基于问题二的模型带上去就好了。为了增加工作量，增加一些其它算法实践进行对比。

以梯度提升回归算法为例进行实践：

# 梯度提升回归算法
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error


gbr_params = {'n_estimators': 1000,
          'max_depth': 3,
          'min_samples_split': 5,
          'learning_rate': 0.01,
          'loss': 'ls'}

#  创建梯度提升回归，带入参数
gbr = GradientBoostingRegressor(**gbr_params)
gbr.fit(X_train, y_train) #训练模型

df3["分类结果"] = gbr.predict(X_test) # 1:"高钾", 2:"铅钡
df3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

得到如下：

从而得出表单三结果A1 A6 A7为高钾 ， 其它为铅钡

问题四

关联性：皮尔斯曼相关性

差异性：pandas提取两个类型的数据，做典型相关分析。相关小则差异大，相关大则差异小。直接用SPSS做很方便。

思考：如何处理机器学习的过拟合问题？

难度评价

数据挖掘中，中等题目吧。几乎每个人都能想到一点思路，所以选择它的人很多。做它容易，做好难。