The use of decision support systems

The use of decision support systems by the wine industry is mainly focused on the wine production phase [10]. Despite the potential of DM techniques to predict wine quality based on physicochemical data, their use is rather scarce and mostly considers small datasets. For example, in 1991 the famous “Wine” dataset was donated into the UCI repository [2]. The data contain 178 examples with measurements of 13 chemical constituents (e.g. alcohol, Mg) and the goal is to classify three cultivars from Italy. This dataset is very easy to discriminate and has been mainly used as a benchmark for new DM classifiers. In 1997 [22], a NN fed with 15 input variables (e.g. Zn and Mg levels) was used to predict six geographic wine origins. The data included 170 samples from Germany and a 100% predictive rate was reported. In 2001 [24], NNs were used to classify three sensory attributes (e.g. sweetness) of Californian wine, based on grape maturity levels and chemical analysis (e.g. titrable acidity). Only 36 examples were used and a 6% error was achieved. More recently, mineral characterization (e.g. Zn and Mg) was used to discriminate 54 samples into two red wine classes [17]. A probabilistic NN was adopted, attaining 95% accuracy. As a powerful learning tool, SVM has outperformed NN in several applications, such as predicting meat preferences [6]. Yet, in the field of wine quality only one application has been reported, where spectral measurements from 147 bottles were successfully used to predict 3 categories of rice wine age

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่มีเน้นการใช้ระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์ในขั้นตอนการผลิตไวน์ [10] แม้ศักยภาพของ DM เทคนิคการทำนายคุณภาพไวน์ physicochemical ข้อมูล การใช้จะค่อนข้างหายาก และส่วนใหญ่พิจารณา datasets ขนาดเล็ก ตัวอย่าง ในปี 1991 ชุดข้อมูล "ไวน์" มีชื่อเสียงได้บริจาคเข้าเก็บ UCI [2] ข้อมูลประกอบด้วย 178 ตัวอย่าง มีการวัดของ 13 constituents เคมี (เช่นแอลกอฮอล์ Mg) และมีเป้าหมายที่จะ จัดประเภท 3 พันธุ์จากอิตาลี ชุดข้อมูลนี้เป็นเรื่องง่ายมากที่จะถือเขาถือเรา และส่วนใหญ่ใช้เป็นเกณฑ์มาตรฐานสำหรับคำนามภาษา DM ใหม่ ในปี 1997 [22], NN ที่เลี้ยงกับตัวแปรอินพุต 15 (เช่น Mg และ Zn ระดับ) ถูกใช้เพื่อทำนาย 6 กำเนิดไวน์ทางภูมิศาสตร์ ข้อมูลรวม 170 ตัวอย่างจากประเทศเยอรมนี และรายงานคาดการณ์อัตรา 100% ในปีค.ศ. 2001 [24], NNs ถูกใช้เพื่อจัดประเภทสามทางประสาทสัมผัสแอตทริบิวต์ (เช่นความหวานหอม) ละม้ายไวน์ องุ่นครบกำหนดระดับและการวิเคราะห์ทางเคมี (เช่น titrable มี) ใช้ตัวอย่างที่ 36 และมีข้อผิดพลาด 6% สำเร็จ เมื่อเร็ว ๆ นี้ จำแนกแร่ (เช่น Zn และมิลลิกรัม) ถูกใช้เพื่อเหยียด 54 ตัวอย่างออกเป็น 2 ประเภทไวน์แดง [17] Probabilistic NN หมายถึง การบรรลุความแม่นยำ 95% เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มี outperformed NN ในการใช้งาน การคาดการณ์ลักษณะเนื้อ [6] ยัง คุณภาพไวน์ในด้าน แอพลิเคชันเดียวเท่านั้นได้ถูกรายงาน ที่วัดสเปกตรัมจาก 147 ขวดสำเร็จใช้ในการทำนายประเภท 3 อายุข้าวไวน์

ผลลัพธ์ (ไทย) 2:

การใช้งานของระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์ที่มีการมุ่งเน้นในขั้นตอนการผลิตไวน์ [10] แม้จะมีศักยภาพของเทคนิค DM ในการทำนายคุณภาพไวน์บนพื้นฐานของข้อมูลทางเคมีกายภาพการใช้งานของพวกเขาค่อนข้างหายากและส่วนใหญ่คิดว่าชุดข้อมูลขนาดเล็ก ยกตัวอย่างเช่นในปี 1991 ที่มีชื่อเสียง "ไวน์" ชุดข้อมูลที่ได้รับบริจาคเข้ามาในพื้นที่เก็บข้อมูล UCI [2] ข้อมูลที่มี 178 ตัวอย่างด้วยการวัดจาก 13 องค์ประกอบทางเคมี (เช่นเครื่องดื่มแอลกอฮอล์, Mg) และเป้าหมายก็คือการจำแนกสายพันธุ์ที่สามจากอิตาลี ชุดนี้เป็นเรื่องง่ายมากที่จะเห็นความแตกต่างและได้รับส่วนใหญ่ที่ใช้เป็นมาตรฐานสำหรับ DM ลักษณนามใหม่ ในปี 1997 [22], NN เบื่อกับ 15 ตัวแปร (เช่นสังกะสีและระดับ Mg) ถูกนำมาใช้ในการทำนายหกต้นกำเนิดไวน์ทางภูมิศาสตร์ ข้อมูลที่รวม 170 ตัวอย่างจากประเทศเยอรมนีและคาดการณ์อัตรา 100% ได้รับการรายงาน ในปี 2001 [24], NNs ถูกนำมาใช้ในการจำแนกคุณลักษณะทางประสาทสัมผัสสาม (เช่นความหวาน) ของไวน์แคลิฟอร์เนียขึ้นอยู่กับระดับครบกําหนดองุ่นและการวิเคราะห์ทางเคมี (เช่นความเป็นกรด titrable) เพียง 36 ตัวอย่างที่ถูกนำมาใช้และข้อผิดพลาด 6% ก็ประสบความสำเร็จ เมื่อเร็ว ๆ นี้ลักษณะแร่ (เช่นสังกะสีและแมกนีเซียม) ถูกนำมาใช้ในการแยกแยะ 54 ตัวอย่างเป็นสองชั้นไวน์แดง [17] NN น่าจะถูกนำมาใช้, การบรรลุความถูกต้อง 95% ในฐานะที่เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มีประสิทธิภาพสูงกว่า NN ในการใช้งานหลายอย่างเช่นการตั้งค่าการทำนายเนื้อ [6] แต่ในด้านของคุณภาพไวน์เพียงหนึ่งใบสมัครได้รับรายงานที่วัดสเปกตรัมจาก 147 ขวดถูกนำมาใช้ประสบความสำเร็จที่จะคาดการณ์ 3 ประเภทอายุไวน์ข้าว

ผลลัพธ์ (ไทย) 3:

การใช้ระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์จะเน้นหลักในการผลิตไวน์เฟส [ 10 ] แม้ศักยภาพของเทคนิค DM เพื่อทำนายคุณภาพไวน์บนพื้นฐานของข้อมูลและ การใช้ก็ขาดแคลนมากกว่า และส่วนใหญ่จะพิจารณาข้อมูลขนาดเล็ก ตัวอย่างเช่น ในปี 1991 มีชื่อเสียง " ไวน์ " วันที่บริจาคเข้าคลัง UCI [ 2 ]ข้อมูลประกอบด้วย 178 ตัวอย่าง ด้วยการวัด 13 องค์ประกอบทางเคมี ( เช่น แอลกอฮอล์ มก. ) และมีเป้าหมายที่จะแยกสามพันธุ์จาก อิตาลี ข้อมูลนี้เป็นเรื่องง่ายที่จะแยกแยะและได้รับส่วนใหญ่ใช้เป็นมาตรฐานสำหรับคำลักษณนาม DM ใหม่ ใน พ.ศ. 2540 [ 22 ] NN ที่ได้รับ 15 ตัวแปร ( เช่นสังกะสีและแมกนีเซียมระดับ ) ถูกใช้เพื่อทำนายหกต้นกำเนิดไวน์ทางภูมิศาสตร์ข้อมูล รวม 170 คน จากเยอรมนี และ 100 % อัตราสถิติรายงาน ในปี พ.ศ. 2544 [ 24 ] nns ถูกใช้เพื่อแยกสามคุณลักษณะทางประสาทสัมผัส เช่น ความหวานของไวน์แคลิฟอร์เนียตามระดับวุฒิภาวะ องุ่น และการวิเคราะห์ทางเคมี เช่น กรด titrable ) แค่ 36 ตัวอย่างใช้และ 6 ข้อผิดพลาด % พบว่า เมื่อเร็วๆ นี้ แร่ลักษณะ ( เช่นสังกะสีและแมกนีเซียม ) ถูกใช้เพื่อแยกแยะเป็น 2 ชั้น 54 ตัวอย่างไวน์แดง [ 17 ] NN probabilistic บุญธรรมบรรลุความถูกต้อง 95% . เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ , SVM สูงกว่าดินในการใช้งานหลายประการ เช่น ทำนายลักษณะเนื้อ [ 6 ] แต่ในด้านคุณภาพของไวน์เพียงหนึ่งใบสมัครได้รับการรายงานที่ความยาวคลื่นการวัดจาก 147 ขวดถูกนำมาใช้เพื่อพยากรณ์อายุ 3 ประเภทของไวน์ข้าว