PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ ỨNG DỤNG  TRONG PHÂN TÍCH DỮ LIỆU RƯỢU VANG

Nông Quỳnh Vân

doi:10.34238/tnu-jst.10324

PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ ỨNG DỤNG TRONG PHÂN TÍCH DỮ LIỆU RƯỢU VANG

Thông tin bài báo

Ngày nhận bài: 08/05/24 Ngày hoàn thiện: 17/06/24 Ngày đăng: 18/06/24

Các tác giả

Nông Quỳnh Vân , Trường Đại học Sư phạm - ĐH Thái Nguyên

Tóm tắt

Phân tích mối quan hệ giữa các đặc tính hóa học và chất lượng rượu vang sẽ giúp chuyên gia định giá rượu vang được tốt hơn. Trong nghiên cứu này, chúng tôi sử dụng bộ dữ liệu về rượu vang trắng được sản xuất tại khu vực "Vinho Verde" ở Bồ Đào Nha, trong đó có 11 biến đo lường các đặc tính hóa học của rượu vang trắng và 1 biến thể hiện chất lượng của rượu vang (được xếp hạng từ 0 đến 10 theo đánh giá cảm quan của người nếm rượu). Mục tiêu là tìm các biến đặc tính hóa học có ảnh hưởng đến phân loại chất lượng rượu vang. Để đạt được mục tiêu, chúng tôi đề xuất sử dụng phương pháp phân tích thành phần chính trong đánh giá mối tương quan và phân loại. Kết quả cho thấy PCA hoạt động tương đối tốt trong phân loại rượu vang trắng dựa trên các đặc tính hóa học của nó. Các đặc tính hóa học như lượng đường dư, tổng lưu huỳnh dioxit, tỷ trọng, nồng độ cồn, pH, độ axit cố định thể hiện cho mùi vị đặc trưng của rượu vang trắng. Đồng thời kết quả phân tích cũng chỉ ra rượu vang trắng chất lượng cao sẽ có nồng độ cồn và độ pH lớn hơn rượu vang trắng chất lượng thấp.

Từ khóa

Phân tích thành phần chính; Giảm số chiều; Phân tích đa biến; Tương quan; Dữ liệu rượu vang

Toàn văn:

PDF

Tài liệu tham khảo

[1] E.P. Pérez - Álvarez et al., “Classification of wines according to several factors by ICP-MS multi-element analysis,” Food Chemistry, vol. 270, pp. 273–280, 2019.

[2] J. Spercova and M. Suchanek, “Multivariate classification of wines from different Bohemian regions (Czech Republic),” Food Chemistry, vol. 93, pp. 659–663, 2005.

[3] N. V. Bondarev, “Clustering and classification of Red Wines according to physical-chemical properties using data mining methods,” Russian Journal of General Chemistry, vol. 93, pp. 2325–2339, 2023.

[4] W. O. Kwan and B. R. Kowalski, “Classification of Wines by applying pattern recognition to chemical composition data,” Journal of Food Science, vol. 43, pp. 1320–1323, 1978.

[5] University of California at Irvine, “Wine Data Set,” UCI Machine Learning Repository, 1991. [Online]. Available: https://archive.ics.uci.edu/ml/datasets/wine+quality. [Accessed May 5, 2020].

[6] K. Pearson, “On lines and planes of closest fit to systems of points in space,” The Philosophical Magazine: A Journal of Theoretical Experimental and Applied Physics, vol. 2, pp. 559–572, 1901.

[7] H. Hotelling, “Analysis of a complex of statistical variables into principal components,” Journal of Educational Psychology, vol. 24, no. 6, pp. 417–441, 1933.

[8] F.I. Amy and P.P. Marvin, “Applications of Principal Component Analysis to Horticultural Research,” HortScience, vol.26, no. 4, pp. 334–338, 1991.

[9] T. J. Ian, “Principal component analysis: A beginner’s guide,” Weather, vol. 45, no. 10, pp. 375–382, 1990.

[10] A. Herve and J. W. Lynne, “Principal component analysis,” WIREs Computational Satatistics, vol. 2, pp. 433–459, 2010.

[11] K. P. Pramod et al., “Image Processing using Principle Component Analysis,” International Journal of Computer Applications, vol. 15, no. 4, pp. 37–40, 2011.

[12] C. Li, Y. Diao, H. Ma, and Y. Li, “A Statistical PCA Method for Face Recognition,” Intelligent Information Technology Application, vol. 03, pp. 376–380, 2008.

DOI: https://doi.org/10.34238/tnu-jst.10324

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ