پیاده‌سازی چندین استراتژی داده‌کاوی روی داده‌های بینی الکترونیکی برای شناسایی گلوتن در پنیر

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم ، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

2 گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران

doi
10.22067/ifstrj.2024.89599.1360
چکیده

بینی الکترونیکی یک دستگاه الکترونیکی برای تشخیص بو است. داده‌های به‌دست‌آمده از این دستگاه به‌صورت عددی و در ستون‌های مختلف ذخیره می‌شوند که مربوط به داده‌های دو نوع پنیر بدون گلوتن و پنیر حاوی گلوتن هستند. این داده‌ها به‌تنهایی برای تصمیم‌گیری و قضاوت کافی نیستند و لازم است روابط و الگوهای میان آن‌ها کشف شود تا مشخص شود داده‌های جدید ثبت‌شده توسط دستگاه به کدام دسته از پنیرهای دارای گلوتن یا بدون گلوتن تعلق دارند. به همین منظور، در این تحقیق از روش‌های داده‌کاوی و یادگیری ماشین استفاده شده است. داده‌کاوی شامل الگوریتم‌های متنوعی مانند طبقه‌بندی، خوشه‌بندی و استخراج قوانین وابستگی است. برای دستیابی به نتایج بهتر، فرآیند داده‌کاوی بر روی 105 ترکیب مختلف از مدل‌ها انجام شد و 13 مدلی که بالاترین دقت را در درک روابط میان داده‌ها داشتند، در تحقیق ذکر شده‌اند. در این پژوهش، با استفاده از روش‌های داده‌کاوی، داده‌های مربوط به پنیرهای دارای گلوتن و بدون گلوتن در دسته‌های جداگانه طبقه‌بندی شدند و مدلی جهت پیش‌بینی نوع داده‌های جدید از نظر ماهیت پنیر (دارای گلوتن یا بدون گلوتن) ایجاد شد. پس از تحلیل 105 ترکیب مختلف، در نهایت مدلی که از الگوریتم Random Forest برای طبقه‌بندی و از MinMaxScaler  برای مقیاس‌بندی داده‌ها استفاده می‌کرد، به‌عنوان بهترین مدل با دقت پیش‌بینی 99.8٪ برای هر دو مجموعه داده‌های آموزش و آزمون انتخاب شد.