1. 研究目的与意义（文献综述）
目的及意义：机器学习是一种人工智能技术，使系统无需显式编程即可自动获取知识。它的主要目标是使系统能够自动学习，而无需人工干预。随着可用于学习的样本数量的增加，这些算法可以自适应地提高其性能。机器学习已广泛用于数据挖掘，计算机视觉，自然语言处理等领域。按照学习方式，机器学习主要包括：监督学习（包括决策树，贝叶斯分类，最小二乘回归等）、无监督学习（包括k均值和apriori算法等）、半监督学习（包括图论推理算法，拉普拉斯支持向量机等）和强化学习。
adaboost最初是由freund和schapire引入的，用于执行二进制分类。它选择最佳弱分类器，然后迭代更新所有样本权重。这种权重调整使新选择的弱分类器将重点放在更困难的样本上。最终，通过线性组合选定的弱分类器来构造一个强分类器。
葡萄酒是世界上消费最广泛的饮料之一，具有非常明显的商业价值和社会重要性。随着机器学习技术的出现，有可能对葡萄酒进行分类，并且有可能弄清葡萄酒中每种化学分析参数的重要性以及为降低成本而忽略的参数。
2. 研究的基本内容与方案
研究的基本内容：根据论文“a decision-theoretic generalization of on-line learning and an application to boosting”中提出的adaboost算法设计并实现一个分类模型，使用公开数据集“葡萄酒分类数据集”训练模型，实现葡萄酒分类功能。
研究的目标：使用adaboost算法训练模型，得到一个可用于葡萄酒分类的分类模型。
拟采用的技术方案及措施：通过阅读，充分理解论文“a decision-theoretic generalization of on-line learning and an application to boosting”中所提出的分类算法的原理与步骤。根据论文中提出的adaboost算法设计并实现一个分类模型，采用python实现算法，使用公开数据集“葡萄酒分类数据集”训练模型，实现葡萄酒分类功能。使用此模型处理测试数据，分析模型的参数敏感度、分类正确度、模型的时间复杂度，以及模型的优缺点。
3. 研究计划与安排
2020/1/13—2020/2/28：确定选题；
2020/3/1—2020/3/15：查阅文献，外文翻译和撰写开题报告；
2020/3/16—2020/4/30：算法设计与实现、模型训练、模型测试与实验分析
4. 参考文献（12篇以上）
[1]霍双红,胡红萍,白艳萍,王建中.基于pca-k-means和pca-som神经网络的葡萄酒分类[j].数学的实践与认识,2016,46(17):168-173.
[2]魏舜洋,石国良.基于模糊聚类模型的葡萄酒分类[j].中国传媒大学学报(自然科学版),2015,22(04):49-53.
[3]袁书萍,万家华.基于模糊聚类的葡萄酒分类的简单实现[j].科技视界,2012(19):96-98 256.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
