The use of decision support systems

The use of decision support systems by the wine industry is mainly focused
on the wine production phase. 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 “Wine” dataset
was donated into the UCI repository. 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,
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, 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. Several physicochemical
parameters (e.g. alcohol, density) were used in to characterize 56 samples
of Italian wine. Yet, the authors argued that mapping these parameters with a
sensory taste panel is a very difficult task and instead they used a NN fed with
data taken from an electronic tongue. More recently, mineral characterization
(e.g. Zn and Mg) was used to discriminate 54 samples into two red wine
classes. 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. 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:

The use of decision support systems by the wine industry is mainly focusedon the wine production phase. Despite the potential of DM techniques topredict wine quality based on physicochemical data, their use is rather scarce and mostly considers small datasets. For example, in 1991 the “Wine” datasetwas donated into the UCI repository. The data contain 178 examples withmeasurements of 13 chemical constituents (e.g. alcohol, Mg) and the goal isto classify three cultivars from Italy. This dataset is very easy to discriminateand has been mainly used as a benchmark for new DM classifiers. In 1997,a NN fed with 15 input variables (e.g. Zn and Mg levels) was used to predictsix geographic wine origins. The data included 170 samples from Germanyand a 100% predictive rate was reported. In 2001, NNs were used toclassify three sensory attributes (e.g. sweetness) of Californian wine, basedon grape maturity levels and chemical analysis (e.g. titrable acidity). Only36 examples were used and a 6% error was achieved. Several physicochemicalparameters (e.g. alcohol, density) were used in to characterize 56 samplesof Italian wine. Yet, the authors argued that mapping these parameters with asensory taste panel is a very difficult task and instead they used a NN fed withdata taken from an electronic tongue. More recently, mineral characterization(e.g. Zn and Mg) was used to discriminate 54 samples into two red wineห้องเรียน Probabilistic NN หมายถึง การบรรลุความแม่นยำ 95% เป็นการเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มี outperformed NN ในโปรแกรมประยุกต์หลายเช่นการคาดการณ์ลักษณะเนื้อ ยัง ในไวน์คุณภาพเท่านั้นแอพลิเคชันหนึ่งได้ถูกรายงาน สเปกตรัมวัดจาก 147ขวดสำเร็จที่ใช้ทำนายประเภท 3 อายุข้าวไวน์

ผลลัพธ์ (ไทย) 2:

การใช้งานของระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์เป็นส่วนใหญ่มุ่งเน้น
ในขั้นตอนการผลิตไวน์ แม้จะมีศักยภาพของเทคนิค DM เพื่อ
ทำนายไวน์คุณภาพบนพื้นฐานของข้อมูลทางเคมีกายภาพการใช้งานของพวกเขาค่อนข้างหายากและส่วนใหญ่คิดว่าชุดข้อมูลขนาดเล็ก ยกตัวอย่างเช่นในปี 1991 "ไวน์" ชุดข้อมูลที่
ได้รับบริจาคเข้ามาในพื้นที่เก็บข้อมูล UCI ข้อมูลที่มี 178 ตัวอย่างที่มี
การวัด 13 องค์ประกอบทางเคมี (เช่นเครื่องดื่มแอลกอฮอล์, Mg) และเป้าหมายก็คือ
การจำแนกสายพันธุ์ที่สามจากอิตาลี ชุดนี้เป็นเรื่องง่ายมากที่จะเห็นความแตกต่าง
และได้รับส่วนใหญ่ที่ใช้เป็นมาตรฐานสำหรับ DM จําแนกใหม่ ในปี 1997
NN เลี้ยงด้วย 15 ตัวแปร (เช่นสังกะสีและระดับ Mg) ถูกนำมาใช้ในการทำนาย
หกต้นกำเนิดไวน์ทางภูมิศาสตร์ ข้อมูลรวม 170 ตัวอย่างจากเยอรมนี
และอัตราการทำนาย 100% ได้รับการรายงาน ในปี 2001 NNs ถูกนำมาใช้ในการ
จำแนกสามคุณลักษณะทางประสาทสัมผัส (เช่นความหวาน) ไวน์แคลิฟอร์เนียพื้นฐาน
ในระดับที่ครบกําหนดองุ่นและการวิเคราะห์ทางเคมี (เช่นความเป็นกรด titrable) เพียง
36 ตัวอย่างถูกนำมาใช้และข้อผิดพลาด 6% ก็ประสบความสำเร็จ ทางเคมีกายภาพหลาย
พารามิเตอร์ (เช่นเครื่องดื่มแอลกอฮอล์หนาแน่น) ถูกนำมาใช้ในลักษณะ 56 ตัวอย่าง
ของไวน์อิตาเลียน แต่ผู้เขียนแย้งว่าการทำแผนที่พารามิเตอร์เหล่านี้กับ
แผงประสาทสัมผัสรสชาติเป็นงานที่ยากมากและพวกเขาใช้แทน NN เลี้ยงด้วย
ข้อมูลที่นำมาจากลิ้นอิเล็กทรอนิกส์ เมื่อเร็ว ๆ นี้ลักษณะแร่
(เช่นสังกะสีและแมกนีเซียม) ถูกนำมาใช้ในการแยกแยะ 54 ตัวอย่างเป็นสองไวน์แดง
ชั้นเรียน น่าจะถูกนำมาใช้ NN บรรลุความถูกต้อง 95% ในฐานะที่เป็น
เครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มีประสิทธิภาพสูงกว่า NN ในการใช้งานหลาย
อย่างเช่นการตั้งค่าการทำนายเนื้อ แต่ในด้านของคุณภาพไวน์เพียง
หนึ่งโปรแกรมที่ได้รับรายงานที่วัดสเปกตรัมจาก 147
ขวดถูกนำมาใช้ประสบความสำเร็จที่จะคาดการณ์ 3 ประเภทอายุไวน์ข้าว

ผลลัพธ์ (ไทย) 3:

การใช้ระบบสนับสนุนการตัดสินใจโดยอุตสาหกรรมไวน์ส่วนใหญ่จะเน้น
ในการผลิตไวน์เฟส แม้ศักยภาพของเทคนิค DM
ทำนายคุณภาพไวน์บนพื้นฐานของข้อมูลและ การใช้ก็ขาดแคลนมากกว่า และส่วนใหญ่จะพิจารณาข้อมูลขนาดเล็ก ตัวอย่างเช่น ในปี 1991 " ไวน์ " ข้อมูล
บริจาคใน UCI พื้นที่เก็บข้อมูล ข้อมูลประกอบกับ
178 ตัวอย่างการวัด 13 องค์ประกอบทางเคมี ( เช่น แอลกอฮอล์ มก. ) และเป้าหมายคือ
ชั้น 3 พันธุ์จาก อิตาลี ข้อมูลนี้เป็นเรื่องง่ายที่จะแยกแยะ
และได้รับส่วนใหญ่ใช้เป็นมาตรฐานสำหรับคำลักษณนาม DM ใหม่ ในปี 1997
NN ที่ได้รับ 15 ตัวแปร ( เช่นสังกะสีและแมกนีเซียมระดับ ) ถูกใช้เพื่อทำนาย
6 ต้นกำเนิดไวน์ทางภูมิศาสตร์ ข้อมูล รวม 170 คน จากเยอรมนี
และ 100 % อัตราสถิติรายงาน ในปี 2001 , nns ใช้จำแนกคุณลักษณะทางประสาทสัมผัส

3 ( เช่น ความหวานของไวน์จากแคลิฟอร์เนีย ,
ในระดับวุฒิภาวะ องุ่น และการวิเคราะห์ทางเคมี เช่น กรด titrable ) เท่านั้น
36 ตัวอย่างใช้และ 6 ข้อผิดพลาด % พบว่า พารามิเตอร์หลายลักษณะ ( เช่น แอลกอฮอล์
ความหนาแน่น ) จำนวน 56 คน ลักษณะ
ของไวน์อิตาลี ยังผู้เขียนแย้งว่าการทำแผนที่พารามิเตอร์เหล่านี้ด้วยการชิม
แผงเป็นงานที่ยากมากและแทนพวกเขาใช้ NN เลี้ยงด้วย
ข้อมูลมาจากภาษาอิเล็กทรอนิกส์ เมื่อเร็ว ๆ นี้
ลักษณะ ( เช่นสังกะสีและแร่มิลลิกรัม ) ถูกใช้เพื่อแยกแยะ 54 ตัวอย่างออกเป็นสองชนชั้นไวน์
สีแดง NN probabilistic บุญธรรมบรรลุความถูกต้อง 95% . เป็นเครื่องมือที่มีประสิทธิภาพการเรียนรู้
,SVM สูงกว่าดินในการใช้งานหลาย ๆ เช่น ทำนาย
ความชอบเนื้อ แต่ในด้านคุณภาพไวน์เท่านั้น
ใบสมัครได้รับการรายงาน ซึ่งการวัดสเปกตรัมจาก 147
ขวดถูกนำมาใช้เพื่อพยากรณ์อายุ 3 ประเภทของไวน์ข้าว