用于预测葡萄产量和评估卡纳塔克邦农村地区葡萄园葡萄酒质量的回归算法

《Journal of Toxicology and Environmental Health, Part B》：Regression algorithms for prediction of vine yield and assessment of wine quality from vineyard of rural Karnataka

本研究通过分析葡萄酒产量数据，比较了11种回归算法在预测产量和评估质量方面的效果，利用Streamlit开发了用户友好的预测界面，发现梯度提升回归器和随机森林算法在MSE、R2和MAE指标上表现优异，为葡萄酒业提升产品质量和市场竞争力提供有效工具。

　　

摘要

在葡萄酒行业日益采用技术以提高销量和生产效率的过程中，质量评估和产量预测起着至关重要的作用。本研究的主要目的是探索并比较各种回归算法在预测葡萄酒产量和评估葡萄酒质量方面的有效性。应用多种机器学习（ML）模型将有助于葡萄种植者在生长初期就节省时间并提升最终产品的质量。本研究利用Grover Zampa葡萄园的实时分析数据，展示了机器学习模型在葡萄酒行业的实际应用。研究采用系统化方法，使用11种多元回归算法分析了葡萄酒产量数据。同时，通过Streamlit软件开发了用户友好的界面，使用户能够输入具体参数并获取关于葡萄酒质量的预测结果。梯度提升回归器的均方误差（MSE）为1.69，R平方值为0.75，平均绝对误差（MAE）为0.97；随机森林算法的MSE为1.94，R平方值为0.71，MAE为1.11。这些发现凸显了集成学习技术在准确预测产量和评估葡萄酒质量方面的潜力，为葡萄酒行业提供了提升产品质量和市场竞争力的有力工具。