Evaluation of Wines Rating Based on Sensory Characteristics Using Neural Networks
Notice bibliographique
Résumé
Wine is an agricultural product with very high commerce price variation, which is highly affected by quality ratings. Therefore, quality rating is particularly important for both industry and consumers. However, absence of clear concepts on what constitutes wine quality makes the perception of quality highly subjective, and it is usual for tasters to disagree on the quality rating of a specific wine. For this purpose, a Feedforward Neural Network (FNN) could be trained in order to predict wine quality. In this study, a new FNN method was developed to predict the accurate wine quality based on major sensory characteristics as FNN inputs, and to improve the ability of a taster, groups of tasters, or consumers, to rate wine by taking into account previous decisions. Specifically, five principle sensory characteristics of wines were used as inputs (Aging in Barrel, Aroma Intensity, Body, Astringency, and Acidity) in a rating range 1-3. As outputs, the quality ratings of wines in a range 70-100 were considered. The FNN was created in MATLAB with 1 hidden layer, 5 neurons and 1 output layer. For ratings divided in 5 categories the accuracy was 53% with the use of the FNN, as opposed to the accuracy of 36% achieved by Multiple Linear Regression. For ratings divided in 9 categories the accuracy was 90%. This method may allow each individual or group of tasters to introduce their own data to produce a more objective rating by taking into account previous decisions (subjective) that have accumulated in the database.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».