基于机器学习的蘑菇毒性预测分析及应用实现

1.摘要

        野生蘑菇误食导致的中毒事件屡见不鲜，已成为我国食物中毒死亡案例的首要诱因。鉴于蘑菇种类繁多，形态各异，非专业人士难以仅凭外观、形态或颜色等直观特征准确区分有毒蘑菇与可食用蘑菇，缺乏统一且简便的鉴别标准。为了判断蘑菇的食用安全性，必须深入分析不同特征属性的蘑菇样本是否含有毒性。鉴于众多蘑菇种类均具毒性，近年来，野外及森林中采摘野生蘑菇作为食物引发的中毒事件备受社会关注。因此，迅速且准确地鉴别蘑菇毒性成为采摘活动中的核心安全问题，这一议题在全球范围内均得到了广泛重视。

        本文旨在设计一种基于机器学习的算法，用于蘑菇毒性的预测。研究选用了UCI的Mushroom Data Set蘑菇数据集，并实现了朴素贝叶斯、决策树、逻辑回归等几种常用的机器学习算法，以实现对蘑菇毒性的精准预测。最终，本研究成功构建了一个操作简便、易于应用的蘑菇毒性识别与分类系统，该系统可以选择不同的分类器进行预测实现。（整个项目装逼又简单）

2.数据集描述

        UCI的Mushroom Data Set数据集，总样本数为8124，其中6513个样本做训练，1611个样本做测试。并且，其中可食用有4208样本，占51.8%；有毒的样本为3916，占48.2%。每个样本描述了蘑菇的22个属性，比如形状、气味等等。对蘑菇的22种特征属性进行分析，从而得到蘑菇可使用性模型，更好的预测出蘑菇是否可食用。

        即为：蘑菇数据集包含8124个样本，每个样本有23个特征，其中22个是描述蘑菇属性的字符型特征，1个是目标变量（蘑菇是否可食用）。

数据集链接：UCI 机器学习存储库

3.应用实现

可以选择分类器：

可以选择输出指标： 

点击分类预测按钮：

 

当选择决策树时：

 

其结果如下：

 

 代码链接：

https://download.csdn.net/download/weixin_40651515/89897733?spm=1001.2014.3001.5503