# 机器学习建模分析

**Repository Path**: wangmaodm/model_machine-learn

## Basic Information

- **Project Name**: 机器学习建模分析
- **Description**: 使用五种机器学习方法对近红外光谱进行建模分析，包括pls-da，决策树、支持向量机、随机森林、knn
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 0
- **Created**: 2024-12-13
- **Last Updated**: 2025-06-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: 机器学习, Python, pls-da, 随机森林

## README

# 机器学习建模分析

#### 介绍
使用五种机器学习方法对预处理后的近红外光谱进行分析。
本次建模使用的数据集为内部数据，未公开，为了程序的正常运行，只放了部分数据，可按其格式替换成自己的数据集或其他公开数据集

#### 软件架构
python3.8

#### 程序流程图

![输入图片说明](image.png)


#### 结果分析
1. pls-da

```
    model  = model_machine()
    comp, acc = model.kfold_pls(x, y3, 5, 30, random_state=11)
    pls = PLSRegression(comp + 1)
    pls, history = model.train_pls_model(pls, x_train, y_train, result_dir)
    Y_pred = model.predict_pls_model(x_test,  pls=None, result_dir = result_dir)
    results = model.evaluate_model(y_test, Y_pred, result_dir)
```
混淆矩阵:
[[39  0  0]
[ 0 35  0]
[ 1  0 26]]
准确率: 99.01%
召回率: 99.01%


2. SVC

`    re_svc = model.svc(x_train, x_test, y_train, y_test)`

SVC模型的准确率: 99.01%
svc混淆矩阵:
 [[39  0  0]
 [ 0 35  0]
 [ 1  0 26]]

3. 随机森林

`    re_rfc = model.rfc(x_train, x_test, y_train, y_test)`

rfc模型的准确率: 97.03%
rfc混淆矩阵:
 [[39  0  0]
 [ 0 35  0]
 [ 2  0 25]]

4. 决策树

`    re_dtc = model.dtc(x_train, x_test, y_train, y_test)`

决策树模型的准确率: 95.05%
dtc混淆矩阵:
 [[38  1  0]
 [ 0 35  0]
 [ 2  2 23]]

5. knn

`    re_knn = model.knnc(x_train, x_test, y_train, y_test)`

KNN 模型的准确率: 97.03%
knnc混淆矩阵:
 [[39  0  0]
 [ 0 35  0]
 [ 1  2 24]]