Россия
УДК 81 Лингвистика. Языкознание. Языки
В данной статье анализируются методы оценки готовой продукции, применяющиеся на предприятиях, использующих виноградное сырьё. С этой целью для прогнозирования оценки возможно использование алгоритма случайного леса, машины опорных векторов и наивных байесовских методов. Кроме этого, целесообразно использовать нейронную сеть для задачи регрессии.
методы оценки, виноградное сырье, алгоритм, опорный вектор, метод Байеса, нейронная сеть
1. Дахал, К., Дахал, Дж., Банджаде, Х., Гейр, С. Прогнозирование качества вина с использованием алгоритмов машинного обучения // Открытый журнал статистики. – 2021. – №11. – С. 278–289. doi:https://doi.org/10.4236/ojs.2021.112015.
2. Эр, Е., Атасой, А. Классификация белого вина и красного вина по их физико-химическим качествам // Интеллектуальные системы. Теория и приложения. – 2016. – №4. – С. 23-24. doi:https://doi.org/10.18201/ijisae.265954.
3. Сахур, Х., Голами, В., Торкман, Д., Вазифедан, М., Саиди, С. Случайный лес и алгоритмы экстремального градиентного усиления для моделирования речного потока с использованием характеристик сосудов и годичных колец // Экологические науки о Земле. – 2021. – №80. – С. 84–95. doi: 10.1007/с12665-021-10054-5. DOI: https://doi.org/10.1007/s12665-021-10054-5
4. Ли Дж.Э., Хван Г.С., Ван Ден Берг Ф., Ли Ч., Хонг Ю.С. Доказательства винтажных эффектов на виноградных винах с использованием метаболомного исследования на основе 1H ЯМР. // Журнал аналитической химии. – 2009. – №648. – С. 71–76. DOI: https://doi.org/10.1016/j.aca.2009.06.039
5. Аппаласами, П., Мустафа, А., Ризал, Н., Джохари, Ф., Мансор, А. Подход к интеллектуальному анализу данных на основе классификации для контроля качества в производстве вина // Журнал прикладных наук. – 2012. – №12. – С. 598–601. doi:https://doi.org/10.3923/jas.2012.598.601.
