Clustering and classification of red wines by physical-chemical properties using data mining methods

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

A study was preformed of 178 samples of red wines of Italian manufacturers, taken from the public repository for machine learning UCI. The methods of Data Minig made a computer analysis of the influence of 13 physico-chemical properties of the samples on the distribution of wines in three groups. The next classification models were built: factor, discriminant, canonical, MLP multilayer perceptron, Kohonen neural network SOFM, predictive (support vector method, Bayesian klаssifier, nearest neighbor method) and decision trees. The neural network classifiers SOFM 13-3, MLP 13-5-3 and clusterer SOFM 16-3 were trained. It was shown that proline, flavonoids, color intensity, proteins and alcohol determine the discriminatory power of the models.

About the authors

N. V. Bondarev

V.N. Karazin Kharkiv National University

Email: n_bondarev@ukr.net

References

  1. Ye Ch., Li K., Jia G. // J. Phys. Conf. Ser. 2020. Vol. 1684. N 1. 012067. doi: 10.1088/1742-6596/1684/1/012067
  2. Kumar S., Agrawal K., Mandan N. // 2020 Int. Conf. on Computer Communication and Informatics (ICCCI). Coimbatore, India. 2020. P. 1. doi: 10.1109/ICCCI48352.2020.9104095
  3. Gupta Y. // Procedia Comput. Sci. 2018. Vol. 125. P. 305. doi: 10.1016/j.procs.2017.12.041
  4. Er Y., Atasoy А. // Int. J. Intelligent Syst. Apll. Eng. 2016. Vol. 4. P. 23. doi: 10.18201/ijisae.265954
  5. Baykal H., Yildirim H.K. // Crit. Rev. Food. Sci. Nutr. 2013. Vol. 53. N 5. P. 415. doi: 10.1080/10408398.2010.540359
  6. Левин А.Д., Нагаев А.И., Садагов А.Ю., Карахотин С.Н. // Аналитика и контроль. 2018. T. 22. № 2. C. 147. i 10.15826/analitika.2018.22.2.001
  7. Wine - UCI Machine Learning Repository files. https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data
  8. Forina M., Armanino C., Casting M., Ubigli M. // 1986. Vitis. Vol. 25. P. 189.
  9. Forina M., Leardi R., Armanino C., Lanteri S. // J. Chemometrics. 1990. Vol. 4. N 2. P. 191. doi: 10.1002/cem.1180040210
  10. Bai X., Wang L., Li H. // 5th Int. Conf. on Education Technology, Management and Humanities Science (ETMHS 2019). Xi'an, China, 2019. P. 1443. doi: 10.25236/etmhs.2019.309
  11. Mor N.S., Asras T., Gal E., Demasia T., Tarab E., Ezekiel N., Nikapros O., Semimufar O., Gladky E., Karpenko M., Sason D., Maslov D., Mor O. // AgriRxiv. 2022. doi: 10.31220/agriRxiv.2022.00126
  12. Amerine M.A., Roessler E.B. Wines: Their Sensory Evaluation. San Francisco: W.H. Freeman & Co, 1983. 432 p.
  13. Кишковский З.Н., Скурихин И.М. Химия вина. М.: 1996. 462 c.
  14. Аникина Н.С., Червяк С.Н., Гниломедова Н.В. // Аналитика и контроль. 2019. Т. 23. № 2. С. 158. doi: 10.15826/analitika.2019.23.2.003
  15. Aleixandre-Tudo J.L., Du Toit W. In: Frontiers and New Trends in the Science of Fermented Food and Beverages. London: IntechOpen, 2018. P. 1. doi: 10.5772/intechopen.79550
  16. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика. 1989. 216 c.
  17. Малхорта Н.К. Маркетинговые исследования. Практическое руководство. М.: Издательский дом "Вильямс", 2002. 960 с.
  18. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере. СПб: Питер, 2003. 686 с.
  19. Наследов А. IBM SPSS Statistics 20 и AMOS: профессиональный статистический анализ данных. СПб: Питер, 2013. 416 с.
  20. Бондарев Н.В. // ЖОХ. 2020. Т. 90. Вып. 10. С. 1583. doi: 10.31857/S0044460X20100145
  21. Bondarev N.V. // Russ. J. Gen. Chem. 2020. Vol. 90. N 10. P. 1906. doi: 10.1134/S107036322010014X
  22. Бондарев Н.В. // ЖОХ. 2021. Т. 91. Вып. 3. С. 449. doi: 10.31857/S0044460X21030112
  23. Bondarev N.V. // Russ. J. Gen. Chem. 2021. Vol. 91. N 3. P. 409. doi: 10.1134/S1070363221030117
  24. Kalika E., Bondarev N., Katin K., Kochaev A., Grekova A., Kaya S., Bauetdinov Y., Maslov M. // J. Mol. Liq. 2023. Vol. 377. 121559. doi: 10.1016/j.molliq.2023.121559
  25. Cattell R.B. // Multivariate Behav. Res. 1966. Vol. 1. N 2. P. 245. doi: 10.1207/s15327906mbr0102_10
  26. Халафян А.А. Современные статистические методы медицинских исследований. М.: ЛКИ, 2008. 320 с.
  27. Nocedal J., Wright S.J. Numerical Optimization. Springer, 2006. 683 p.
  28. Al-Baali M., Spedicato E., Maggioni F. // Optimization Methods and Software. 2013. Vol. 29. N 5. P.937. doi: 10.1080/10556788.2013.856909
  29. Халафян А.А., Темердашев З.А., Т.И. Гугучкина Т.И., Якуба Ю.Ф. // Аналитика и контроль. 2017. Т. 21. N 2. С. 161. doi: 10.15826/analitika.2017.21.2.010

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Russian Academy of Sciences