کمک به حفاظت از دیواره بزرگ مرجانی با TensorFlow در Kaggle اضافه کردن چالش

کیفیت شراب

  • توضیحات:

دو مجموعه داده با استفاده از نمونه های شراب قرمز و سفید ایجاد شد. ورودی ها شامل آزمایش های عینی (به عنوان مثال مقادیر PH) و خروجی بر اساس داده های حسی (میانه حداقل 3 ارزیابی توسط متخصصان شراب) است. هر متخصص کیفیت شراب را بین 0 (بسیار بد) و 10 (بسیار عالی) درجه بندی کرد. چندین روش داده کاوی برای مدل سازی این مجموعه داده ها تحت رویکرد رگرسیون استفاده شد. مدل ماشین بردار پشتیبانی بهترین نتایج را بدست آورد. چندین معیار محاسبه شد: MAD ، ماتریس آشفتگی برای تحمل خطای ثابت (T) ، و غیره. همچنین ، میزان اهمیت نسبی متغیرهای ورودی (که با روش تجزیه و تحلیل حساسیت اندازه گیری شده است) را ترسیم می کنیم.

این دو مجموعه داده مربوط به انواع قرمز و سفید شراب پرتغالی "Vinho Verde" است. برای جزئیات بیشتر،: http://www.vinhoverde.pt/en/ یا مرجع [کورتز و همکاران، 2009]. به دلیل مسائل مربوط به حریم خصوصی و لجستیکی ، فقط متغیرهای فیزیکوشیمیایی (ورودی) و حسی (خروجی) در دسترس است (به عنوان مثال اطلاعاتی در مورد انواع انگور ، مارک شراب ، قیمت فروش شراب و غیره وجود ندارد).

تعداد موارد: شراب قرمز - 1599 ؛ شراب سفید - 4898

متغیرهای ورودی (بر اساس آزمایشات فیزیکوشیمیایی):

  1. اسیدیته ثابت
  2. اسیدیته فرار
  3. اسید سیتریک
  4. قند باقیمانده
  5. کلریدها
  6. گوگرد دی اکسید رایگان
  7. کل دی اکسید گوگرد
  8. چگالی
  9. pH
  10. سولفات ها
  11. الکل

متغیر خروجی (بر اساس داده های حسی):

  1. کیفیت (نمره بین 0 تا 10)
FeaturesDict({
    'features': FeaturesDict({
        'alcohol': tf.float32,
        'chlorides': tf.float32,
        'citric acid': tf.float32,
        'density': tf.float32,
        'fixed acidity': tf.float32,
        'free sulfur dioxide': tf.float32,
        'pH': tf.float32,
        'residual sugar': tf.float32,
        'sulphates': tf.float64,
        'total sulfur dioxide': tf.float32,
        'volatile acidity': tf.float32,
    }),
    'quality': tf.int32,
})

@ONLINE {cortezpaulo;cerdeiraantonio;almeidafernando;matostelmo;reisjose1999,
    author = "Cortez, Paulo; Cerdeira, Antonio; Almeida,Fernando;  Matos, Telmo;  Reis, Jose",
    title  = "Modeling wine preferences by data mining from physicochemical properties.",
    year   = "2009",
    url    = "https://archive.ics.uci.edu/ml/datasets/wine+quality"
}

wine_quality/white (پیکربندی پیش فرض)

  • توضیحات پیکربندی: سفید شراب

  • حجم دانلود: 258.23 KiB

  • مجموعه داده اندازه: 1.87 MiB

  • انشعابات:

شکاف مثال ها
'train' 4،898

کیفیت شراب/قرمز

  • توضیحات پیکربندی: شراب قرمز

  • حجم دانلود: 82.23 KiB

  • مجموعه داده اندازه: 626.17 KiB

  • انشعابات:

شکاف مثال ها
'train' 1،599