Статьи автора

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

Номер выпуска 9 от 17.09.2025

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.

11 0

Кластеризация органолептических оценок качества красных и белых вин по физико-химическим показателям c помощью платформы statistica

Номер выпуска 11 от 17.09.2025

С помощью компьютерного анализа выполнена кластеризация органолептических оценок по десятибалльной шкале экспертов по вину и экспериментальных физико-химических показателей красных (1599 образцов) и белых (4898 образцов) вин португальских производителей. Методами агломеративной и итеративной (алгоритм k -средних) кластеризации выявлено группирование сходных образцов вин в три, четыре и шесть кластеров в зависимости от евклидова расстояния объединения. Установлена количественная наполняемость кластеров образцами плохих (оценки 3 и 4), нормальных (оценки 5 и 6) и хороших (оценки 7, 8, 9) вин. Выполнены нейросетевой (MLP) и дискриминантный (DA) анализ; задействованы алгоритмы деревьев классификации (СT), машины опорних векторов (SVM), наивной баесовской классификации (NBC) и ближайших соседей (kNN). Лучшую производительность продемонстрировали нейросетевые модели. Обучены многослойные персептороны-классификаторы: для красных вин - MLP 11-7-3, MLP 11-13-4, MLP 11-14-6; для белых вин - MLP 11-9-3, MLP 11-5-4, MLP 11-9-6. Выялены свойства вин, вклад которых в разделяющую мощь классификаторов является определяющим. Приведены диапазоны изменения физико-химических показателей в трех кластерах красных и белых вин для плохих, нормальных и хороших вин.

15 0