their use is rather scarce and most

their use is rather scarce and mostly considers small datasets. For
example, in 1991 the “Wine” dataset was donated into the UCI
repository [1]. 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
[27], 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 [30],
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 [20] 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 [21]. 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 [7]. 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 [35].
In this paper, we present a case study for modeling taste
preferences based on analytical data that are easily available at the
wine certification step. Building such model is valuable not only for
certification entities but also wine producers and even consumers. It
can be used to support the oenologist's wine evaluations, potentially
improving the quality and speed of their decisions. Moreover,
measuring the impact of the physicochemical tests in the final wine
quality is useful for improving the production process. Furthermore, it
can help in target marketing [24], i.e. by applying similar techniques to
model the consumer's preferences of niche and/or profitable markets.
The main contributions of this work are:
• We present a novel method that performs simultaneous variable
and model selection for NN and SVM techniques. The variable
selection is based on sensitivity analysis [18], which is a computationally
efficient method that measures input relevance and guides
the variable selection process. Also, we propose a parsimony search
method to select the best SVM kernel parameter with a low
computational effort.
• We test such approach in a real-world application, the prediction of
vinho verde wine (from the Minho region of Portugal) taste
preferences, showing its impact in this domain. In contrast with
previous studies, a large dataset is considered, with a total of 4898
white and 1599 red samples. Wine preferences are modeled under a
regression approach, which preserves the order of the grades, and
we show how the definition of the tolerance concept is useful for
accessing different performance levels. We believe that this
integrated approach is valuable to support applications where
ranked sensory preferences are required, for example in wine or
meat quality assurance.

ผลลัพธ์ (ไทย) 1:

การใช้จะค่อนข้างหายาก และส่วนใหญ่พิจารณา datasets ขนาดเล็ก สำหรับตัวอย่าง ในปี 1991 ชุดข้อมูล "ไวน์" ได้บริจาคใน UCIเก็บ [1] ข้อมูลประกอบด้วย 178 ตัวอย่าง มีการวัดของ13 constituents เคมี (เช่นแอลกอฮอล์ Mg) และเป้าหมายคือการ จัดประเภท3 พันธุ์จากอิตาลี ชุดข้อมูลนี้เป็นเรื่องง่ายมากที่จะเหยียด และส่วนใหญ่ใช้เป็นเกณฑ์มาตรฐานสำหรับคำนามภาษา DM ใหม่ ในปี 1997[27], ใช้ NN ที่เลี้ยงกับตัวแปรอินพุต 15 (เช่น Mg และ Zn ระดับ)การทำนายต้นกำเนิดไวน์ทางภูมิศาสตร์ 6 ข้อมูลรวม 170 ตัวอย่างมีรายงานอัตราการคาดการณ์จากเยอรมนีและ 100% ในปีค.ศ. 2001 [30],ใช้เพื่อจัดประเภทสามทางประสาทสัมผัสแอตทริบิวต์ (เช่นความหวานหอม) ของ NNsละม้ายไวน์ องุ่นครบกำหนดระดับและเคมีวิเคราะห์(เช่น titrable มี) ใช้ตัวอย่าง 36 เท่า และไม่มีข้อผิดพลาด 6%ประสบความสำเร็จ หลาย physicochemical พารามิเตอร์ (เช่นแอลกอฮอล์ ความหนาแน่น)เคย [20] ในลักษณะของตัวอย่างไวน์อิตาลี 56 ยังผู้เขียนโต้เถียงที่แมปพารามิเตอร์เหล่านี้ มีรสชาติรับความรู้สึกแผงเป็นงานยากมาก และแทน ที่จะใช้เอ็นเอ็นที่รับข้อมูลนำมาจากลิ้นเป็นอิเล็กทรอนิกส์ เพิ่มเติมล่าสุด จำแนกแร่(เช่น Zn และมิลลิกรัม) ใช้ในการเหยียดตัวอย่างที่ 54 เป็นสองสีแดงไวน์ห้องเรียน [21] Probabilistic NN หมายถึง การบรรลุ 95%ความถูกต้อง เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มี outperformed NN ในใช้งาน การคาดการณ์ลักษณะเนื้อ [7] ยัง ในมีการรายงานเขตข้อมูลของโปรแกรมประยุกต์เดียวคุณภาพไวน์ที่วัดสเปกตรัมจาก 147 ขวดเรียบร้อยใช้การทำนายประเภท 3 อายุข้าวไวน์ [35]ในเอกสารนี้ เรานำเสนอกรณีศึกษาสำหรับรสชาติของการสร้างโมเดลกำหนดลักษณะตามวิเคราะห์ข้อมูลที่ได้มีการขั้นตอนการรับรองไวน์ สร้างแบบจำลองดังกล่าวจะมีค่าไม่เท่าหน่วยรับรองแต่ยังไวน์ผู้ผลิตและผู้บริโภคได้ มันสามารถใช้เพื่อสนับสนุนการประเมินเป็น oenologist ไวน์ อาจปรับปรุงคุณภาพและความเร็วของการตัดสินใจ นอกจากนี้วัดผลกระทบของการทดสอบ physicochemical ในไวน์ขั้นสุดท้ายมีคุณภาพมีประโยชน์สำหรับการปรับปรุงกระบวนการผลิต นอกจากนี้ มันสามารถช่วยในเป้าหมายการตลาด [24], เช่น โดยใช้เทคนิคคล้ายการแบบจำลองของผู้บริโภคลักษณะของโพรงหรือตลาดที่มีกำไรการจัดสรรหลักของงานนี้คือ:•เสนอวิธีนวนิยายที่ทำตัวแปรพร้อมกันและเลือกรูปแบบสำหรับเทคนิค SVM และ NN ตัวแปรเลือกใช้ในการวิเคราะห์ความไว [18], ซึ่งเป็นเป็น computationallyวิธีที่มีประสิทธิภาพที่วัดเข้าเกี่ยวข้องและคำแนะนำการเลือกตัวแปร ยัง เราเสนอการค้นหา parsimonyวิธีการเลือกสุด SVM เคอร์เนลพารามิเตอร์ ด้วยเป็นพยายามคำนวณ•ทดสอบวิธีการดังกล่าวในโปรแกรมประยุกต์จริง คำทำนายของรสชาติไวน์เวิร์ด (จากภูมิภาค Minho โปรตุเกส) vinhoกำหนดลักษณะ การแสดงผลกระทบในโดเมนนี้ ในทางตรงกันข้ามกับการศึกษาก่อนหน้านี้ ชุดข้อมูลขนาดใหญ่กำลัง มีจำนวน 48981599 และสีขาวแดงตัวอย่าง มีจำลองลักษณะไวน์ภายใต้การวิธีการถดถอย ที่เก็บลำดับของคะแนน และแสดงว่ามีประโยชน์สำหรับคำนิยามที่ยอมรับแนวความคิดการเข้าถึงระดับการปฏิบัติงานต่าง ๆ เราเชื่อว่านี้วิธีการรวมจะมีประโยชน์ต่อเพื่อสนับสนุนโปรแกรมประยุกต์ที่อันดับลักษณะทางประสาทสัมผัสเป็นสิ่งจำเป็น เช่นในไวน์ หรือคุณภาพเนื้อ

ผลลัพธ์ (ไทย) 2:

ใช้ของพวกเขาค่อนข้างหายากและส่วนใหญ่คิดว่าชุดข้อมูลขนาดเล็ก สำหรับตัวอย่างเช่นในปี 1991 "ไวน์" ชุดข้อมูลที่ได้รับบริจาคเข้ามาใน UCI พื้นที่เก็บข้อมูล [1] ข้อมูลที่มี 178 ตัวอย่างด้วยการวัดของ13 องค์ประกอบทางเคมี (เช่นเครื่องดื่มแอลกอฮอล์, Mg) และเป้าหมายก็คือการจำแนกสามสายพันธุ์จากประเทศอิตาลี ชุดนี้เป็นเรื่องง่ายมากที่จะเห็นความแตกต่างและได้รับส่วนใหญ่ที่ใช้เป็นมาตรฐานสำหรับ DM ลักษณนามใหม่ ในปี 1997 [27], NN เบื่อกับ 15 ตัวแปร (เช่นสังกะสีและระดับ Mg) ถูกนำมาใช้ในการทำนายหกต้นกำเนิดไวน์ทางภูมิศาสตร์ ข้อมูลที่รวม 170 ตัวอย่างจากประเทศเยอรมนีและคาดการณ์อัตรา100% ได้รับการรายงาน ในปี 2001 [30], NNs ถูกนำมาใช้ในการจำแนกคุณลักษณะทางประสาทสัมผัสสาม (เช่นความหวาน) ของไวน์แคลิฟอร์เนียขึ้นอยู่กับระดับครบกําหนดองุ่นและการวิเคราะห์ทางเคมี(เช่นความเป็นกรด titrable) เพียง 36 ตัวอย่างที่ถูกนำมาใช้และข้อผิดพลาด 6% ได้รับการประสบความสำเร็จ พารามิเตอร์ทางเคมีกายภาพหลาย (เช่นเครื่องดื่มแอลกอฮอล์หนาแน่น) ถูกนำมาใช้ใน [20] ลักษณะ 56 ตัวอย่างของไวน์อิตาเลียน แต่ที่ผู้เขียนอ้างว่าการทำแผนที่พารามิเตอร์เหล่านี้มีรสชาติประสาทสัมผัสแผงเป็นงานที่ยากมากและแทนพวกเขาใช้NN เลี้ยงด้วยข้อมูลที่นำมาจากลิ้นอิเล็กทรอนิกส์ เมื่อเร็ว ๆ นี้ลักษณะแร่(เช่นสังกะสีและแมกนีเซียม) ถูกนำมาใช้ในการแยกแยะ 54 ตัวอย่างเป็นสองชั้นเรียนไวน์แดง[21] NN น่าจะถูกนำมาใช้, การบรรลุ 95% ความถูกต้อง ในฐานะที่เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ SVM มีประสิทธิภาพสูงกว่า NN ในการใช้งานหลายอย่างเช่นการตั้งค่าการทำนายเนื้อ[7] แต่ในด้านของคุณภาพไวน์เพียงหนึ่งใบสมัครได้รับรายงานที่วัดสเปกตรัมจาก147 ขวดถูกนำมาใช้ประสบความสำเร็จที่จะคาดการณ์3 ประเภทอายุไวน์ข้าว [35]. ในบทความนี้เราจะนำเสนอกรณีศึกษาสำหรับรสชาติของการสร้างแบบจำลองการตั้งค่าตามในการวิเคราะห์ข้อมูลที่มีอยู่ที่ขั้นตอนการรับรองไวน์ อาคารดังกล่าวเป็นรูปแบบที่มีคุณค่าไม่เพียง แต่สำหรับหน่วยงานที่ได้รับการรับรองแต่ยังผลิตไวน์และแม้กระทั่งผู้บริโภค มันสามารถนำมาใช้เพื่อสนับสนุนการประเมินไวน์ oenologist ที่อาจเกิดขึ้นในการปรับปรุงคุณภาพและความเร็วของการตัดสินใจของพวกเขา นอกจากนี้วัดจากผลกระทบของการทดสอบทางเคมีกายภาพในไวน์สุดท้ายที่มีคุณภาพเป็นประโยชน์ในการปรับปรุงกระบวนการผลิต นอกจากนี้ยังสามารถช่วยในการตลาดเป้าหมาย [24] เช่นโดยการใช้เทคนิคคล้ายกับ. รูปแบบการตั้งค่าของผู้บริโภคของช่องและ / หรือตลาดที่ทำกำไรได้ผลงานหลักของการทำงานนี้คือ: •เรานำเสนอวิธีการใหม่ที่ดำเนินการตัวแปรพร้อมกันและรูปแบบการเลือก NN และเทคนิค SVM ตัวแปรเลือกจะขึ้นอยู่กับการวิเคราะห์ความไว [18] ซึ่งเป็นคอมพิวเตอร์วิธีที่มีประสิทธิภาพที่วัดความเกี่ยวข้องการป้อนข้อมูลและคำแนะนำขั้นตอนการคัดเลือกตัวแปร นอกจากนี้เรายังนำเสนอการค้นหาประหยัดวิธีการเลือก SVM พารามิเตอร์ของเคอร์เนลที่ดีที่สุดกับระดับต่ำสุดในความพยายามคำนวณ. •เราทดสอบวิธีดังกล่าวในการประยุกต์ใช้จริงในโลกการทำนายของVinho ไวน์เคปเวิร์ด (จากภูมิภาคมินโฮของโปรตุเกส) รสชาติการตั้งค่าแสดงให้เห็นผลกระทบในโดเมนนี้ ในทางตรงกันข้ามกับการศึกษาก่อนหน้านี้ชุดข้อมูลขนาดใหญ่ที่ถือว่ามีจำนวน 4898 สีขาวและสีแดง 1,599 ตัวอย่าง การตั้งค่าไวน์เป็นรูปแบบภายใต้วิธีการถดถอยซึ่งเก็บรักษาคำสั่งของเกรดและเราแสดงให้เห็นว่าความหมายของแนวคิดความอดทนที่จะเป็นประโยชน์สำหรับการเข้าถึงระดับประสิทธิภาพที่แตกต่างกัน เราเชื่อว่าวิธีการแบบบูรณาการที่มีคุณค่าเพื่อรองรับการใช้งานที่มีการจัดอันดับการตั้งค่าของประสาทสัมผัสที่จำเป็นเช่นในไวน์หรือการประกันคุณภาพเนื้อ

ผลลัพธ์ (ไทย) 3:

ใช้ยาก และส่วนใหญ่จะพิจารณาข้อมูลที่ค่อนข้างเล็ก สำหรับ
ตัวอย่าง ในปี 1991 " ไวน์ " วันที่บริจาคเข้าคลัง UCI
[ 1 ] ข้อมูลประกอบด้วย 178 ตัวอย่าง ด้วยการวัด
13 องค์ประกอบทางเคมี ( เช่น แอลกอฮอล์ มก. ) และมีเป้าหมายที่จะจัด
3 พันธุ์จาก อิตาลี ข้อมูลนี้เป็นเรื่องง่ายที่จะแยกแยะและ
ได้รับส่วนใหญ่ใช้เป็นมาตรฐานสำหรับคำลักษณนาม DM ใหม่ ในปี 1997
[ 27 ] NN ที่ได้รับ 15 ตัวแปร ( เช่นสังกะสีและแมกนีเซียมระดับ ) คือใช้
ทำนายหกต้นกำเนิดไวน์ทางภูมิศาสตร์ ข้อมูลรวม 170 ตัวอย่าง
จากเยอรมนี และ 100 % อัตราสถิติรายงาน ในปี พ.ศ. 2544 [ 30 ] ,
nns ถูกใช้เพื่อแยกสามคุณลักษณะทางประสาทสัมผัส เช่น ความหวาน )
แคลิฟอร์เนียไวน์ขึ้นอยู่กับระดับวุฒิภาวะ องุ่น และวิเคราะห์ทางเคมี เช่น กรด titrable
) แค่ 36 ตัวอย่างถูกใช้ และร้อยละ 6 ข้อผิดพลาด
ลุ้นรับ พารามิเตอร์การเปลี่ยนแปลงหลาย ๆ ( เช่นแอลกอฮอล์ , ความหนาแน่น )
ใช้ [ 20 ] ลักษณะ 56 ตัวอย่างของไวน์อิตาลี ยัง ,
เขียนแย้งว่าการทำแผนที่พารามิเตอร์เหล่านี้กับ
รสชาติทางประสาทสัมผัสแผงเป็นงานที่ยากมากและแทนพวกเขาใช้ NN ที่ได้รับข้อมูล
ถ่ายจากลิ้นอิเล็กทรอนิกส์ เมื่อเร็ว ๆ นี้
ลักษณะ ( เช่นสังกะสีและแร่มิลลิกรัม ) ถูกใช้เพื่อแยกแยะ 54 ตัวอย่างเป็น 2
ไวน์แดงเรียน [ 21 ] NN probabilistic บุญธรรมบรรลุความถูกต้อง 95%

เป็นเครื่องมือการเรียนรู้ที่มีประสิทธิภาพ , SVM สูงกว่าดินใน
การใช้งานหลายเช่น การทำนายลักษณะเนื้อ [ 7 ] แต่ในด้านคุณภาพของไวน์
เพียงหนึ่งใบสมัครได้รับรายงาน
ที่สเปกตรัมการวัดจาก 147 ขวดถูกใช้ประสบความสำเร็จ
ทำนายอายุไวน์ข้าว 3 ประเภท [ 35 ] .
ในกระดาษนี้เรานำเสนอเป็นกรณีศึกษาสำหรับการสร้างแบบจำลองความต้องการของรสชาติ
ขึ้นอยู่กับการวิเคราะห์ข้อมูลที่พร้อมใช้งานได้อย่างง่ายดายที่
ไวน์รับรองขั้นตอนสร้างโมเดลดังกล่าวที่มีคุณค่าไม่เพียง แต่สำหรับ
องค์กรใบรับรอง แต่ยังผู้ผลิตไวน์และผู้บริโภคได้ ครับผมสามารถใช้ในการสนับสนุนของ oenologist ไวน์การประเมินอาจ
ปรับปรุงคุณภาพและความเร็วของการตัดสินใจของพวกเขา โดย
การวัดผลกระทบของการเปลี่ยนแปลงในการทดสอบคุณภาพไวน์
สุดท้ายจะเป็นประโยชน์สำหรับการปรับปรุงกระบวนการผลิต นอกจากนี้
สามารถช่วยในเป้าหมายการตลาด [ 24 ] , เช่นโดยการใช้เทคนิคที่คล้ายกัน

แบบความพึงพอใจของผู้บริโภคของโพรงตลาดและ / หรือกำไร .
ผลงานหลักของงานนี้คือ :
- เรานำเสนอวิธีการใหม่ในการเลือกตัวแปรพร้อมกัน
รูปแบบและเทคนิค nn SVM . การเลือกตัวแปร
อยู่บนพื้นฐานของการวิเคราะห์ความอ่อนไหว [ 18 ] ซึ่งเป็น computationally
วิธีที่มีประสิทธิภาพที่จะใช้มาตรการนำเข้า Ltd และคู่มือ
ตัวแปรการเลือกกระบวนการ นอกจากนี้เรายังนำเสนอความตระหนี่ค้นหา
วิธีการเลือกที่ดีที่สุด SVM เคอร์เนลพารามิเตอร์ด้วยความพยายามในการคำนวณน้อย
.
- เราทดสอบวิธีการดังกล่าวในโลกแห่งความจริงการทำนาย
vinho Verde ไวน์ ( จากมินโฮ เขตของโปรตุเกส ) ลักษณะรสชาติ
แสดงผลกระทบในโดเมนนี้ในทางตรงกันข้ามกับ
การศึกษาชุดข้อมูลขนาดใหญ่ ก็ถือว่ามีทั้งหมด 4898
สีขาวและสีแดง , 599 คน การตั้งค่าไวน์มีแบบจำลองภายใต้
ถดถอยวิธีการที่รักษาเพื่อเกรดและ
เราแสดงให้เห็นว่า ความหมายของแนวคิดที่เป็นประโยชน์สำหรับความอดทน
เข้าถึงระดับประสิทธิภาพที่แตกต่างกัน เราเชื่อว่านี้
วิธีการแบบบูรณาการที่มีคุณค่าเพื่อรองรับการใช้งานที่
อันดับความชอบประสาทสัมผัสเป็นเช่นไวน์หรือ
ประกันคุณภาพเนื้อ