ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

ไวน์_คุณภาพ

  • รายละเอียด:

มีการสร้างชุดข้อมูลสองชุด โดยใช้ตัวอย่างไวน์แดงและไวน์ขาว ข้อมูลป้อนเข้ารวมถึงการทดสอบตามวัตถุประสงค์ (เช่น ค่า PH) และผลลัพธ์จะขึ้นอยู่กับข้อมูลทางประสาทสัมผัส (ค่ามัธยฐานของการประเมินอย่างน้อย 3 รายการโดยผู้เชี่ยวชาญด้านไวน์) ผู้เชี่ยวชาญแต่ละคนให้คะแนนคุณภาพไวน์ระหว่าง 0 (แย่มาก) ถึง 10 (ดีมาก) มีการใช้วิธีการขุดข้อมูลหลายวิธีเพื่อสร้างแบบจำลองชุดข้อมูลเหล่านี้ภายใต้วิธีการถดถอย โมเดลเครื่องสนับสนุนเวกเตอร์ได้รับผลลัพธ์ที่ดีที่สุด มีการคำนวณเมตริกหลายตัว: MAD, เมทริกซ์ความสับสนสำหรับความทนทานต่อข้อผิดพลาดคงที่ (T) เป็นต้น นอกจากนี้เรายังพล็อตความสำคัญสัมพัทธ์ของตัวแปรอินพุต (ตามที่วัดโดยขั้นตอนการวิเคราะห์ความไว)

ชุดข้อมูลทั้งสองชุดเกี่ยวข้องกับไวน์แดงและขาวของโปรตุเกส "วินโญ แวร์เด" สำหรับรายละเอียดเพิ่มเติมโปรด: http://www.vinhoverde.pt/en/ หรืออ้างอิง [. คอร์เตซ, et al, 2009] เนื่องจากปัญหาความเป็นส่วนตัวและการขนส่ง จึงมีเฉพาะตัวแปรทางเคมีกายภาพ (ปัจจัยเข้า) และประสาทสัมผัส (ผลลัพธ์) เท่านั้น (เช่น ไม่มีข้อมูลเกี่ยวกับประเภทองุ่น ยี่ห้อไวน์ ราคาขายไวน์ ฯลฯ)

จำนวนอินสแตนซ์: ไวน์แดง - 1599; ไวน์ขาว - 4898

ตัวแปรอินพุต (ตามการทดสอบทางเคมีกายภาพ):

  1. ความเป็นกรดคงที่
  2. ความเป็นกรดระเหย
  3. กรดมะนาว
  4. น้ำตาลตกค้าง
  5. คลอไรด์
  6. ฟรีซัลเฟอร์ไดออกไซด์
  7. ซัลเฟอร์ไดออกไซด์ทั้งหมด
  8. ความหนาแน่น
  9. pH
  10. ซัลเฟต
  11. แอลกอฮอล์

ตัวแปรเอาต์พุต (ตามข้อมูลทางประสาทสัมผัส):

  1. คุณภาพ (คะแนนระหว่าง 0 ถึง 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,
})
  • คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('features', 'quality')

  • รูป ( tfds.show_examples ): ไม่ได้รับการสนับสนุน

  • อ้างอิง:

@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 (การกำหนดค่าเริ่มต้น)

  • คำอธิบาย Config: ไวน์ขาว

  • ขนาดการดาวน์โหลด: 258.23 KiB

  • ขนาดชุด: 1.87 MiB

  • แยก:

แยก ตัวอย่าง
'train' 4,898

ไวน์คุณภาพ/สีแดง

  • คำอธิบาย Config: ไวน์แดง

  • ขนาดการดาวน์โหลด: 82.23 KiB

  • ขนาดชุด: 626.17 KiB

  • แยก:

แยก ตัวอย่าง
'train' 1,599