Архив Сельское хозяйство · Теплицы, садоводство и виноградарство
Университет Аделаиды и CSIRO: XGBoost прогнозирует вкус вина, R² до 0,881
В лабораторном исследовании 2023 года модель XGBoost предсказывала сенсорные характеристики вина по спектрам винограда. Лучший дескриптор, зелёные ноты во вкусе, дал R² 0,881 на 74 образцах.
Кейс предоставлен Vinum ex Machina
запись № 240 · Кейсбук v2026-09-29, Никита Худов · CC BY-SA 4.0
Текст адаптирован под формат паспорта АрхИИВ и публикуется по CC BY-NC 4.0 с разрешения автора Кейсбука.
/01 · ключевые результаты
Цифры приведены по Кейсбуку Vinum ex Machina и не сверены редакцией с первоисточником.
-
возможность системы
0,881 R²
R² лучшего дескриптора (зелёные ноты во вкусе)
Vinum ex Machina, документ, 29.09.2026
2023 год · лабораторное исследование на 74 образцах, 3 винтажа, 8 регионов Южной Австралии
данные исследования
- 5 шт. дескрипторов из 22 с R² выше 0,7 · возможность системы Vinum ex Machina, документ, 29.09.2026
- 15 шт. дескрипторов из 22 с R² выше 0,5 · возможность системы Vinum ex Machina, документ, 29.09.2026
- 74 шт. образца вина в выборке · масштаб Vinum ex Machina, документ, 29.09.2026
оценка strategai
Оценка не рассчитывается.
В лабораторном исследовании 2023 года модель XGBoost предсказывала сенсорные характеристики вина по спектрам винограда. Лучший дескриптор, зелёные ноты во вкусе, дал R² 0,881 на 74 образцах.
/02 · паспорт кейса
Бизнес
- Компания
- University of Adelaide / CSIRO
- Отрасль
- Сельское хозяйство · Теплицы, садоводство и виноградарство
- Функция
- R&D и разработка продуктов
- Задача
- Монетизируемая AI-функция продукта
Технология
- Класс AI
- Предиктивная аналитика (классический ML)
- Тип решения
- Собственная разработка
- Данные
- 74 образца вина, 3 винтажа, 8 регионов Южной Австралии; спектры A-TEEM и цвет в системе CIELAB
Внедрение
- Стадия
- Исследование, на 29.09.2026
- География
- Австралия
/03 · описание кейса
Зачем
Бизнес-задача
Сенсорную оценку вина выполняет панель обученных дегустаторов, в данном исследовании это 9–11 человек. Исследователи Университета Аделаиды и CSIRO проверили, можно ли предсказывать сенсорные характеристики вина по спектральным данным винограда и цвету, взяв оценки панели за эталон.
Что
Решение
Использована модель XGBoost, обученная на данных спектроскопии A-TEEM и цвете в системе CIELAB. Модель прогнозирует 22 сенсорных дескриптора вина. Работа опубликована в журнале Foods в 2023 году.
Как
Внедрение
Выборка включала 74 образца вина трёх винтажей из восьми регионов Южной Австралии. Эталоном служили оценки панели из 9–11 обученных дегустаторов. Лучший результат показал дескриптор «зелёные ноты во вкусе» с R² 0,881. Только 5 из 22 дескрипторов достигли R² выше 0,7, 15 из 22 — выше 0,5. Проект имеет стадию исследования и не переведён в регулярную эксплуатацию.
/04 · источники и проверка
Что подтверждено
- Модель XGBoost на данных A-TEEM и цвете CIELAB прогнозировала 22 сенсорных дескриптора вина; лучший из них, зелёные ноты во вкусе, дал R² 0,881.
- Только 5 из 22 дескрипторов достигли R² выше 0,7, 15 из 22 — выше 0,5.
Ограничения
- Результат получен в лабораторном исследовании на 74 образцах трёх винтажей из Южной Австралии; применимость к другим регионам и урожаям не показана.
- Для большинства дескрипторов точность умеренная: 17 из 22 не достигли R² 0,7. Замену дегустационной панели результат не подтверждает.
-
[1] Vinum ex Machina
Vinum ex Machina — Кейсбук, запись № 240
партнёр · 29.09.2026
Открыть источник
АрхИИВ /strategai · CB-002705 · Версия 1 · 25.10.2026 · /c/CB-002705/ · Vinum ex Machina № 240