Кластеризация и классификация красных вин по физико-химическим свойствам методами data mining

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Исследовано 178 образцов красных вин итальянских производителей, взятых из общедоступного репозитария машинного обучения UCI. Методами Data Minig выполнен компьютерный анализ влияния 13 физико-химических свойств образцов на распределение вин по трем группам. Построены классификационные модели: факторная, дискриминантная, каноническая, нейросетевые (многослойный персептрон MLP, нейронная сеть Кохонена SOFM), прогнозные (метод опорных векторов, байесовский клссификатор, метод ближайшего соседа) и деревья решений. Обучены нейросетевые кластеризатор SOFM 13-3 и классификаторы MLP 13-5-3 и SOFM 16-3. Выявлено, что пролин, флавоноиды, интенсивность цвета, белки и алкоголь определяют дискриминирующую мощность моделей.

Об авторах

Н. В. Бондарев

Харьковский национальный университет имени В. Н. Каразина

Email: n_bondarev@ukr.net

Список литературы

  1. Ye Ch., Li K., Jia G. // J. Phys. Conf. Ser. 2020. Vol. 1684. N 1. 012067. doi: 10.1088/1742-6596/1684/1/012067
  2. Kumar S., Agrawal K., Mandan N. // 2020 Int. Conf. on Computer Communication and Informatics (ICCCI). Coimbatore, India. 2020. P. 1. doi: 10.1109/ICCCI48352.2020.9104095
  3. Gupta Y. // Procedia Comput. Sci. 2018. Vol. 125. P. 305. doi: 10.1016/j.procs.2017.12.041
  4. Er Y., Atasoy А. // Int. J. Intelligent Syst. Apll. Eng. 2016. Vol. 4. P. 23. doi: 10.18201/ijisae.265954
  5. Baykal H., Yildirim H.K. // Crit. Rev. Food. Sci. Nutr. 2013. Vol. 53. N 5. P. 415. doi: 10.1080/10408398.2010.540359
  6. Левин А.Д., Нагаев А.И., Садагов А.Ю., Карахотин С.Н. // Аналитика и контроль. 2018. T. 22. № 2. C. 147. i 10.15826/analitika.2018.22.2.001
  7. Wine - UCI Machine Learning Repository files. https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data
  8. Forina M., Armanino C., Casting M., Ubigli M. // 1986. Vitis. Vol. 25. P. 189.
  9. Forina M., Leardi R., Armanino C., Lanteri S. // J. Chemometrics. 1990. Vol. 4. N 2. P. 191. doi: 10.1002/cem.1180040210
  10. Bai X., Wang L., Li H. // 5th Int. Conf. on Education Technology, Management and Humanities Science (ETMHS 2019). Xi'an, China, 2019. P. 1443. doi: 10.25236/etmhs.2019.309
  11. Mor N.S., Asras T., Gal E., Demasia T., Tarab E., Ezekiel N., Nikapros O., Semimufar O., Gladky E., Karpenko M., Sason D., Maslov D., Mor O. // AgriRxiv. 2022. doi: 10.31220/agriRxiv.2022.00126
  12. Amerine M.A., Roessler E.B. Wines: Their Sensory Evaluation. San Francisco: W.H. Freeman & Co, 1983. 432 p.
  13. Кишковский З.Н., Скурихин И.М. Химия вина. М.: 1996. 462 c.
  14. Аникина Н.С., Червяк С.Н., Гниломедова Н.В. // Аналитика и контроль. 2019. Т. 23. № 2. С. 158. doi: 10.15826/analitika.2019.23.2.003
  15. Aleixandre-Tudo J.L., Du Toit W. In: Frontiers and New Trends in the Science of Fermented Food and Beverages. London: IntechOpen, 2018. P. 1. doi: 10.5772/intechopen.79550
  16. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика. 1989. 216 c.
  17. Малхорта Н.К. Маркетинговые исследования. Практическое руководство. М.: Издательский дом "Вильямс", 2002. 960 с.
  18. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере. СПб: Питер, 2003. 686 с.
  19. Наследов А. IBM SPSS Statistics 20 и AMOS: профессиональный статистический анализ данных. СПб: Питер, 2013. 416 с.
  20. Бондарев Н.В. // ЖОХ. 2020. Т. 90. Вып. 10. С. 1583. doi: 10.31857/S0044460X20100145
  21. Bondarev N.V. // Russ. J. Gen. Chem. 2020. Vol. 90. N 10. P. 1906. doi: 10.1134/S107036322010014X
  22. Бондарев Н.В. // ЖОХ. 2021. Т. 91. Вып. 3. С. 449. doi: 10.31857/S0044460X21030112
  23. Bondarev N.V. // Russ. J. Gen. Chem. 2021. Vol. 91. N 3. P. 409. doi: 10.1134/S1070363221030117
  24. Kalika E., Bondarev N., Katin K., Kochaev A., Grekova A., Kaya S., Bauetdinov Y., Maslov M. // J. Mol. Liq. 2023. Vol. 377. 121559. doi: 10.1016/j.molliq.2023.121559
  25. Cattell R.B. // Multivariate Behav. Res. 1966. Vol. 1. N 2. P. 245. doi: 10.1207/s15327906mbr0102_10
  26. Халафян А.А. Современные статистические методы медицинских исследований. М.: ЛКИ, 2008. 320 с.
  27. Nocedal J., Wright S.J. Numerical Optimization. Springer, 2006. 683 p.
  28. Al-Baali M., Spedicato E., Maggioni F. // Optimization Methods and Software. 2013. Vol. 29. N 5. P.937. doi: 10.1080/10556788.2013.856909
  29. Халафян А.А., Темердашев З.А., Т.И. Гугучкина Т.И., Якуба Ю.Ф. // Аналитика и контроль. 2017. Т. 21. N 2. С. 161. doi: 10.15826/analitika.2017.21.2.010

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».