Publisher's Synopsis
A qualidade do vinho é importante para os consumidores e também para a indústria vinícola. A forma tradicional (testador especializado em vinhos) de medir a qualidade do vinho pode ser cara e demorada. Hoje em dia, os modelos de aprendizado de máquina são as principais ferramentas para substituir a intervenção humana. Como um subcampo da Inteligência Artificial (IA), o Machine Learning (ML) visa compreender a estrutura dos dados e encaixá-los em modelos, que posteriormente podem ser utilizados em dados invisíveis para atingir a tarefa desejada. O aprendizado de máquina tem sido amplamente utilizado em vários setores, como negócios, medicina e astrofísica, para citar alguns e muitos outros problemas científicos. Inspirados no sucesso da Inteligência Artificial em vários setores diferentes, podemos utilizá-la para prever a qualidade do vinho com base em várias propriedades físico-químicas do vinho. Entre vários métodos de aprendizado de máquina, analisamos o desempenho dos métodos de ML de conjunto de árvores extremamente aleatórias (árvores extras), Extreme Gradient Boosting (XG Boost) e Light gradiente-boosting machine (Light GBM). Este trabalho demonstra como a análise estatística de dados pode ser utilizada para identificar os componentes que controlam principalmente a qualidade do vinho antes da produção.
