超声波流量计是通过检测流体流动对超声束的作用来测量流量的仪表,广泛应用于流量不易测量的一类流量计。近年来超声波流量计受到各界人士的青睐,其中液体超声波流量计开始蓬勃发展,并被广泛应用于各行各业中。本文通过用UCI上2018年的四种液体超声波流量计共计获取到的540个示例样本的173种属性作为原始数据。首先对四种液体超声波流量计所获取的原始数据下进行数据预处理,对数据进行填补缺失值、标准化数据,然后分别在四种液体超声波流量计所获取的数据下进行数据集的划分,采用R语言中的strata函数对每一类抽取25%左右的数据作为验证集,对各自剩余的数据集进行数据分析。利用VSCC方法对剩余的数据集进行特征选择,在选取不同的阈值下利用十折交叉验证,结合数据挖掘的一些经典分类算法如支持向量机、人工神经网络、随机森林、基于决策树Bagging、基于决策树的Boosting等方法选取各自对应的最佳阈值。接下来利用各自方法在对应的最佳阈值下对验证集进行评价,发现在流量计A上使用人工神经网络选取所有的36个特征变量的预测精度最高,为94.4%;使用支持向量机选取12个特征变量的预测精度次之,为90.6%。在流量计B上检测的51个特征中使用随机森林选取了35个特征变量的预测精度最高,为96.9%。在流量计C上使用随机森林选取了42个特征变量的预测精度最高,为97.8%;使用人工神经网络选取38个特征变量的预测精度次之,为95.7%。在流量计D上使用随机森林选取32个特征变量的预测精度最高,为93.8%。因此,我们从这四种液体超声波流量计中检测出部分特征数据就可以对液体超声波流量计进行诊断分类,可以保留对液体超声波流量计的正确分类。