基于數(shù)據(jù)挖掘技術(shù)的葡萄酒品質(zhì)預(yù)測研究.pdf

1、葡萄酒品質(zhì)預(yù)測是葡萄酒生產(chǎn)過程中進行品質(zhì)調(diào)優(yōu)控制的重要過程。由于葡萄酒樣本數(shù)據(jù)的品質(zhì)類別多樣性和非平衡性，導(dǎo)致傳統(tǒng)的預(yù)測模型存在低品質(zhì)類識別率低的問題。因此，研究一種準確快速的品質(zhì)預(yù)測方法，可以有效提高低品質(zhì)類的識別率，對于提高葡萄酒生產(chǎn)質(zhì)量具有重要指導(dǎo)意義。
　　本文以UCI數(shù)據(jù)庫中的“Wine Quality”數(shù)據(jù)集為研究對象，以葡萄酒品質(zhì)與理化指標之間存在復(fù)雜的非線性關(guān)系為研究基礎(chǔ)，采用多分類支持向量機（Support Ve

2、ctor Machine，SVM）算法和集成學(xué)習(xí)算法建立葡萄酒品質(zhì)預(yù)測模型，以達到提升低品質(zhì)類葡萄酒識別率的目標。主要工作為以下幾個方面：
　?。?）基于多分類支持向量機的葡萄酒品質(zhì)預(yù)測方法的研究
　　針對葡萄酒品質(zhì)數(shù)據(jù)類別多樣性的特點，在傳統(tǒng)多分類支持向量機的基礎(chǔ)上，提出了一種改進的多分類支持向量機算法。該算法在訓(xùn)練過程中，優(yōu)先選擇樣本數(shù)量最多的一類與剩余類之間構(gòu)造“一對多”SVM，然后從剩下的類中選取一個次多類重復(fù)上述過

3、程，直到剩余兩類之間構(gòu)造“一對一”SVM。與傳統(tǒng)的多分類支持向量機相比，不僅減少了一對一方法產(chǎn)生的決策平面數(shù)量，而且解決了一對多方法造成的非平衡問題，可以有效地減少訓(xùn)練時間，提高預(yù)測精度。
　?。?）基于集成多分類支持向量機葡萄酒品質(zhì)預(yù)測方法的研究
　　為提高改進的多分類支持向量機算法對低品質(zhì)類的識別率，結(jié)合集成學(xué)習(xí)的思想，探討了一種AdaBoost集成多分類支持向量機的品質(zhì)預(yù)測方法。在模型訓(xùn)練過程中，利用AdaBoost動

4、態(tài)調(diào)整樣本權(quán)值的方式，提高低品質(zhì)類樣本的關(guān)注度，能夠在保證整體預(yù)測性能的同時，顯著提高低品質(zhì)類的識別率。
　　（3）葡萄酒品質(zhì)預(yù)測仿真模型的構(gòu)建與評估
　　結(jié)合實際應(yīng)用，在 PyCharm開發(fā)平臺下，構(gòu)建葡萄酒品質(zhì)預(yù)測模型。以Wine Quality數(shù)據(jù)集為基礎(chǔ)，葡萄酒理化屬性作為模型輸入，感官結(jié)果作為模型輸出，分別構(gòu)建多分類支持向量機葡萄酒品質(zhì)預(yù)測模型和集成多分類支持向量機葡萄酒品質(zhì)預(yù)測模型。為評估兩種預(yù)測模型的預(yù)測性能，