Сравнительный анализ моделей классификации для определения качества вина по его химическому составу

Abstract

Актуальность исследования обусловлена необходимостью решения проблем, связанных с контрафактной и некачественной продукцией в винодельческой отрасли. Несмотря на комплексную систему регулирования оборота алкогольной продукции, потребители всё же подвергаются риску неосознанного приобретения низкокачественных винных изделий. Недобросовестные производители приоритизируют снижение затрат перед обеспечением должного качества продукции, что негативно сказывается на общем потребительском опыте и подрывает репутацию более добросовестных производителей винных изделий. Последнее не способствует развитию конструктивной конкуренции на рынке и негативно сказывается как на рынке в целом, так и в части обеспечения интересов потребителя. В этом контексте исследовательская деятельность, направленная на автоматизированную объективную оценку качества вина по егохимическому составу с помощью методов машинного обучения, представляется актуальной. Создание инструментов, которые обеспечивают надежный и объективный способ отличить подлинные высококачественные вина от поддельных или низкокачественных аналогов, важно для обеспечения интересов потребителей и развития конструктивной конкуренции на рынке винных продуктов. Цель: создание системы для автоматизированной оценки качества вина по его химическому составу на основе модели классификации, обеспечивающей лучшее соответствие эталонному набору данных. Объекты: модели классификации, в числе которых метод опорных векторов, дерево решений, алгоритм случайного леса, нейронная сеть, множественная регрессия и их применение для автоматизированной оценки качества вина. Методы: методы машинного обучения для формирования моделей классификации; статистические методы для оценки качества классификации и сравнения классификаторов. Результаты. С применением эталонного набора данных «Wine_Quality_Data» сформированы пять альтернативных решений на основе распространённых моделей многоуровневой классификации. С использованием статистических критериев проведено их комплексное сравнение. Наилучшим решением, положенным в основу системы автоматизированной оценки, показало себя решение на основе модели случайного леса

The relevance of the research is caused by the need to solve problems associated with counterfeit and low-quality products in the wine industry. Despite the comprehensive system of regulation of the turnover of alcoholic products, consumers are still at risk of unconscious purchase of low-quality wine products. Unscrupulous producers prioritize cost reduction over product quality, which negatively affects the overall consumer experi-ence and undermines the reputation of more conscientious wine producers. The latter does not contribute to the development of constructive com-petition in the market and has a negative impact both on the market as a whole and in terms of ensuring the interests of the consumer. In this con-text, research activities aimed at an automated objective assessment of the quality of wine in terms of its chemical composition using machine learning methods seem to be relevant. Creating tools that provide a reliable and objective way to distinguish genuine high-quality wines from coun-terfeit or low-quality counterparts is important to safeguard the interests of consumers and promote constructive competition in the wine market. The purpose of the research is to create a system for automated assessment of wine quality by its chemical composition based on a classification model that provides better compliance with the reference data set. Objects: classification models, including the support vector machine, decision tree, random forest algorithm, neural network, multiple regression and their application for automated wine quality assessment. Methods: machine learning methods for the formation of classification models; statistical methods for assessing the quality of classification and comparing classifiers. Results. Using the reference dataset «Wine_Quality_Data», five alternative solutions were formed based on common multilevel classification mod-els. Using statistical criteria, their complex comparison was carried out. The best solution underlying the automated evaluation system proved to be the solution based on the random forest model