.png){kind=icon}
返回
Ensemble Learning-Based Wine Quality Prediction Using Optimized Feature Selection and XGBoost
.png){kind=icon}
OA
AI
DOI：10.33889/IJMEMS.2025.10.5.077.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，葡萄酒业务蓬勃发展，并成为全球经济的重要组成部分。由于高端葡萄酒需求不断增长，需要能够持续测量葡萄酒质量的方法。在这一领域中，机器学习决策显示出潜力。来自多个来源的高维数据可能会阻碍处理和分类模型的性能。特征选择通过挑选特征子集并删除不相关的特征，来提高学习效率并降低计算成本。该混合架构利用机器学习预测葡萄酒质量，包括一种特征选择方法以找到最重要的信息。基于包装器的遗传算法（WGA）通过迭代删除最不重要的特征，并使用剩余特征训练模型，直到获得所需数量的特征。我们在两个数据集上测试了所提出的结构，这两个数据集分别包含1,599个红葡萄酒样本和4,898个白葡萄酒样本，每个样本均按1-10的评分标准进行评级。此外，所提出的技术与该领域其他前沿机器学习模型进行了比较。所有分类技术均能良好地预测葡萄酒质量，但WGA-XGB表现最佳。该研究表明，特征选择如何在不同机器学习算法中改善葡萄酒质量预测。推荐的策略可以扩展到不同的葡萄酒数据集，或通过高级特征选择或机器学习模型进行改进，以提升预测性能。总体而言，该方法旨在清晰、相关且可重复，适用于在实际环境中评估葡萄酒质量。
Keyword:
Wine quality
Feature selection
Machine learning
Classification
Prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
1.5
论文数:
76
被引数:
0
机构
引用论文
分享收藏分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容