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

Обложка

Цитировать

Полный текст

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

Аннотация

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.

Об авторах

Н. В. Бондарев

Харьковский национальный университет имени В. Н. Каразина

Email: n_bondarev@ukr.net

Список литературы

  1. Косюра В.Т., Донченко Л.В., Надыкта В.Д. Основы виноделия: учебное пособие для вузов. М.: Юрайт. 2023. 422 с.
  2. Paracelsus Т. // 1965. Werke. Bd. 2. Darmstadt. S. 508.
  3. Forina M., Armanino С., Casting M., Ubigli M. // Vitis. 1986. Vol. 25. P. 189. doi: 10.5073/vitis.1986.25.189-201
  4. Sun L.X., Danzer K., Thiel G. // Fresenius J. Anal. Chem. 1997. Vol. 359. P. 143. doi: 10.1007/s002160050551
  5. Ebeler S.E. // Food Rev. Int. 2007. Vol. 17. N 1. P. 45. doi: 10.1081/FRI-100000517
  6. Legin A., Rudnitskaya V., Lvova L., Vlasov Yu., Di Natale C., D'Amico A. // Anal. Chim. Acta. 2003. Vol. 484. N 1. P. 33. doi: 10.1016/S0003-2670(03)00301-5
  7. Cortez P., Cerderia A., Almeida A., Matos V., Reis J. // Decision Support Systems. 2009. Vol. 47. N 4. P. 547. doi: 10.1016/j.dss.2009.05.016
  8. Appalasamy P., Mustapha A., Rizal N., Johari F., Mansor A. // J. Appl. Sci. 2012. Vol. 12. N 6. P. 598. doi: 10.3923/jas.2012.598.601
  9. Baykal H., Yildirim H.K. // Crit. Rev. Food Sci. Nutr. 2013. Vol. 53. N 5. P. 415. doi: 10.1080/10408398.2010.540359
  10. Якуба Ю.Ф., Каунова А.А., Темердашев З.А., Титаренко В.О., Халафян А.А. Аналитика и контроль. 2014. Т. 18. № 4. С. 344.
  11. Nebot À., Mugica F., Escobet A. // 5th Int. Conf. SIMULTECH. Colmar, France. 2015. Р. 501. doi: 10.5220/0005551905010507
  12. Er Y., Atasoy A. // IJISAE. 2016. Vol. 4 (Special Issue). P. 23. doi: 10.18201/ijisae.265954
  13. Халафян А.А., Темердашев З.А., Гугучкина Т.И., Якуба Ю.Ф. // Аналитика и контроль. 2017. Т. 21. № 2. С. 161. doi: 10.15826/analitika.2017.21.2.010
  14. Gupta Y. // Procedia Comput. Sci. 2018. Vol. 125. P. 305. doi: 10.1016/j.procs.2017.12.041
  15. Ahammed B., Abedin M. // Model Assist. Stat. Appl. 2018. Vol. 13. N 1. P. 85. doi: 10.3233/MAS-170420
  16. Луценко Е.В., Печурина Е.К., Сергеев А.Э. // Научный журнал КубГАУ. 2019. № 149(05). С. 2. doi: 10.21515/1990-4665-149-015
  17. Shruthi P. // 1st Int. Сonf. ICATIECE. Bangalore, India. 2019. doi: 10.1109/ICATIECE45860.2019.9063846
  18. Chao Y., Li K., Jia G. // J. Phys. Conf. Ser. 2020. Vol. 1684. N 1. 012067. doi: 10.1088/1742-6596/1684/1/012067
  19. Kumar S., Agrawal K., Mandan N. // Int. Conf. ICCCI. Coimbatore, India. 2020. doi: 10.1109/ICCCI48352.2020.9104095
  20. Zhang S., Shao C., Xiao W. // 3rd Int. Conf. ICAIBD. Chengdu, China. 2020. P. 128. doi: 10.1109/ICAIBD49809.2020.9137477
  21. Мильман Б.Л., Журкович И.К. // ЖАХ. 2020. Т. 75, № 4. С. 316. doi: 10.31857/S0044450220020139
  22. Milman B.L., Zhurkovich I.K. // J. Anal. Chem. 2020. Vol. 75. N 4. P. 316. doi: 10.31857/S0044450220020139
  23. 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. Р. 1. doi: 10.31220/agriRxiv.2022.00125
  24. Machine Learning Repository files. https://archive.ics.uci.edu/ml/datasets/Wine+Quality
  25. Боровиков В.П. Популярное введение в современный анализ данных и машинное обучение на STATISTICA. М.: Горячая линия-Телеком, 2019. 354 с.
  26. StatSoft, Inc. Электронный учебник по статистике. М.: StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm
  27. Бондарев Н.В. // ЖОХ. 2021. Т. 91. Вып. 3. С. 449. doi: 10.31857/S0044460X21030112
  28. Bondarev N.V. // J. Gen. Chem. 2021. Vol. 91. N 3. P. 409. doi: 10.1134/S1070363221030117

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023