تطبيق تعلم الآلة في توقع جودة النبيذ

يعتمد قطاع النبيذ بشكل كبير على شهادة جودة النبيذ. تشتهر جودة نبيذ بينوت نوير في نيوزيلندا عالميًا. هدفنا الرئيسي في هذا البحث هو توقع جودة النبيذ من خلال توليد بيانات صناعية وبناء نموذج تعلم آلة استنادًا إلى هذه البيانات الصناعية والبيانات التجريبية المتاحة التي تم جمعها من مناطق مختلفة ومتنوعة في جميع أنحاء نيوزيلندا. استخدمنا 18 عينة من نبيذ بينوت نوير تتميز بـ 54 خاصية مختلفة (7 خصائص فيزيائية كيميائية و47 خاصية كيميائية). قمنا بتوليد 1381 عينة من 12 عينة أصلية باستخدام طريقة SMOTE، وتم الاحتفاظ بست عينات لاختبار النموذج. تمت مقارنة النتائج باستخدام أربعة أساليب مختلفة لاختيار الخصائص. تم استخدام الصفات الهامة (المشار إليها باسم المتغيرات الأساسية) التي تم إثباتها كمرتبطه في ثلاث طرق على الأقل لاختيار الخصائص لتوقع جودة النبيذ. تم تدريب واختبار سبعة خوارزميات تعلم آلة على عينة أصلية محجوزة. حقق مصنف تعزيز التكيف (AdaBoost) دقة بنسبة 100% عندما تم تدريبه وتقييمه بدون اختيار الخصائص، ومع اختيار الخصائص (XGB)، ومع المتغيرات الأساسية (الخصائص التي وجدت مهمة في ثلاث طرق على الأقل لاختيار الخصائص). في وجود المتغيرات الأساسية، زادت أداء مصنف الغابة العشوائية (RF).