本文应用机器学习方法对如何更加准确的为葡萄酒质量评分进行一次探索。选用基于变量选择的LS-SVR模型对葡萄酒质量进行评分,该模型在支持向量机回归模型的基础上进行改进,降低了运算的复杂度。本文采用两个实例验证了所构建LS-SVR模型的有效性。首先,本文对数据集进行了数据特征探索及相应的分析处理,根据葡萄酒的理化指标特点进行变量选择,依次使用梯度提升回归树、逐步回归、lasso回归方法,并遵循谨慎性和科学性原则构建了特征集。然后,应用不同的模型进行比较分析。对于红葡萄酒数据集,分别建立了最小二乘支持向量机回归模型、基于遗传算法优化的最小二乘支持向量机回归模型和RBF神经网络模型,并分别输出了他们的估计值及误差。最后,对比全变量集与特征集训练LS-SVR的误差精度,证明了特征集构建的有效性;对比遗传算法优化前后的误差,证明调参的必要性;对比RBF神经网络回归模型与LSSVR的误差,证明LS-SVR的评估效果更好。研究表明,本文所建模型的MAPE值都在10%以内,说明各个模型都取得了很好的预测效果,但相比之下LS-SVR模型的误差最低,评估效果最好。对于白葡萄酒数据集,相比RBF神经网络模型,最小二乘支持向量机回归模型表现出更好的效果。此外运用遗传算法对最小二乘支持向量机回归模型中的sigma和gama参数进行一定范围内的探索,寻找到更好的参数组合。研究发现使用LS-SVR模型对葡萄酒质量评估是一种很好的方法,为葡萄酒质量的评鉴开拓了一种新的思路,可以在一定程度上节省研究葡萄酒质量的成本。