Інформаційна технологія вирішення задачі нейромережевого визначення якості вина

Abstract

Дана робота присвячена розробці програмного забезпечення для інформаційної технології нейромережевого визначення якості вина. У роботі було обґрунтовано вибір нейронної мережі багатошаровий персептрон для визначення якості вина, яка має 11 входів, 2 прихованих шари по 8 нейронів та вихідний шар із одного нейрона. У прихованих шарах обрано функцію активації ReLU та функцію активації Sigmoid у вихідному шарі. Для навчання цієї нейромережі використовується модифікація ADAM методу стохастичного градієнтного спуску. Для створення програми було використано мову програмування Python та спеціалізовані бібліотеки NumPy, Pandas та Matplotlib. Навчання нейромережі відбувалось з використанням бази даних для червоних вин, яка налічує 1599 записів. Набір даних було поділено на навчальну (75%) та тестову (25%) вибірки: обсяг навчальної вибірки склав 1199 записів, а тестової - 400 записів. Розроблена програма має достовірність класифікації (визначення якості вина) на тестовій вибірці 79,2%, а найкращий із 3-х методів-аналогів має достовірність класифікації на тестовій вибірці 73,5%, тобто достовірність класифікації збільшилась на 5,7%.

This work is devoted to the development of software for information technology of neural network determination of wine quality. The work justified the choice of a multilayer perceptron neural network for determining wine quality, which has 11 inputs, 2 hidden layers of 8 neurons each and an output layer of one neuron. The ReLU activation function and the Sigmoid activation function in the output layer were selected in the hidden layers. To train this neural network, a modification of the ADAM stochastic gradient descent method is used. The Python programming language and specialized libraries NumPy, Pandas and Matplotlib were used to create the program. The neural network was trained using a database for red wines, which has 1599 records. The data set was divided into a training (75%) and a test (25%) sample: the volume of the training sample was 1199 records, and the test - 400 records. The developed program has a classification accuracy (determination of wine quality) on the test sample of 79.2%, and the best of the 3 similar methods has a classification accuracy on the test sample of 73.5%, i.e. the classification accuracy has increased by 5.7%