Publisher's Synopsis
Die Weinqualität ist sowohl für die Verbraucher als auch für die Weinindustrie wichtig. Die herkömmliche Methode (durch einen erfahrenen Weintester) zur Messung der Weinqualität kann teuer und zeitaufwändig sein. Heutzutage sind maschinelle Lernmodelle die wichtigsten Werkzeuge, um menschliches Eingreifen zu ersetzen. Als Teilbereich der künstlichen Intelligenz (KI) zielt maschinelles Lernen (ML) darauf ab, die Struktur der Daten zu verstehen und sie in Modelle einzupassen, die später auf unbekannte Daten angewendet werden können, um die gewünschte Aufgabe zu erfüllen. Maschinelles Lernen wird in verschiedenen Bereichen wie der Wirtschaft, der Medizin und der Astrophysik häufig eingesetzt, um nur einige und viele andere wissenschaftliche Probleme zu nennen. Inspiriert durch den Erfolg der künstlichen Intelligenz in verschiedenen Sektoren können wir sie für die Vorhersage der Weinqualität auf der Grundlage verschiedener physikalisch-chemischer Eigenschaften des Weins nutzen. Unter verschiedenen Methoden des maschinellen Lernens analysieren wir die Leistung der Ensemble-ML-Methoden Extremely Randomized Trees (Extra Trees), Extreme Gradient Boosting (XG Boost) und Light Gradient-Boosting Machine (Light GBM). Diese Arbeit zeigt, wie mithilfe der statistischen Datenanalyse die Komponenten identifiziert werden können, die die Weinqualität vor der Produktion hauptsächlich steuern.
