| Περίληψη : | Στην παρούσα διπλωματική εργασία, πειραματιζόμαστε με μοντέλα μηχανικής μάθησης προσπαθώντας να ομαδοποιήσουμε γεγονότα που σχετίζονται με ανακλήσεις προϊόντων προερχόμενα από την ίδια πηγή. Ως ‘ανάκληση προϊόντος’ θεωρούμε οποιαδήποτε δράση για την επιστροφή ενός επικίνδυνου προϊόντος από τον παραγωγό, τον κατασκευαστή ή τον μεσάζοντα που έχει ήδη βγει στην αγορά για κατανάλωση. Οι ανακλήσεις προϊόντων που δουλέψαμε βρίσκονταν σε μορφή κειμένου δίνοντας μας πληροφορίες για την ημερομηνία του συμβάντος, το προϊόν, την αιτία ανάκλησης και τη χώρα προέλευσης. Αρχικά επεξεργαστήκαμε τα δεδομένα για να τα φέρουμε στη μορφή που θέλουμε. Στη συνέχεια εξερευνήσαμε τα δεδομένα για να λάβουμε χρήσιμες πληροφορίες για προχωρήσουμε στην χρησιμοποίηση μοντέλων μηχανικής μάθησης για την ομαδοποίησή τους. Στο πλαίσιο αυτής της εργασίας χρησιμοποιήθηκαν οι αλγόριθμοι K-Means, το ιεραρχικό μοντέλο, ο DBSCAN και ένας ‘υβριδικός’ μηχανισμός όπου αρχικά χρησιμοποιήθηκε ο DBSCAN ως ‘φίλτρο’ για να τροφοδοτήσει στη συνέχεια τον K-Means αλγόριθμο. Ως αποτέλεσμα παρατηρήσαμε ότι όλοι αλγόριθμοι ανταποκρίθηκαν επιτυχώς στην ομαδοποίηση περιστατικών κατά προϊόν, την αιτία ανάκλησης και την προέλευση του προϊόντος με τον ‘υβριδικό’ μηχανισμό να δίνει καλύτερα αποτελέσματα.
In this Thesis, we experiment with Machine Learning algorithms to cluster food safety incident reports to uncover common root causes. A recall is any measure to achieve the return of a dangerous product that has already been supplied or made available to consumers by the producer or a distributor. These incident records are given in a tabular form, giving us information about the date each incident was filed, information about the product, the kind of hazard detected, and the origin of the product in text formats. Initially, we processed the data to transform them in our favor. Then, we explored our data to get insights. The next step was to experiment with Machine Learning Clustering algorithms. We used the K-Means, the Hierarchical, and DBSCAN models and a hybrid strategy by combining the DBSCAN and the K-means algorithms. As a result, we observed that all three algorithms successfully grouped products according to their origin, and the hazard detected with the hybrid strategy outperformed the previous ones.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.