Ciência de dados na avaliação de amostras de cafés de qualidade extrema
Eric Batista Ferreira
1
*, Luiz Otávio de Oliveira Pala
2
, Rosemary Gualberto Fonseca Alvarenga Pereira
3
, Alberto
Frank Lázaro
Aguirre4, Júnio César Rosa5
Resumo
A busca por melhorias da qualidade de cafés especiais tem impulsionado o mercado e influenciado produtores quanto aos valores
comerciais das sacas e da respectiva demanda. No mercado brasileiro, o estado de Minas Gerais contribui com um significativo
percentual de produtividade, fato que vem sendo verificado por concursos de qualidade, que
desencadeiam estudos acerca de
atributos relacionados a qualidade sensorial. Este trabalho analisou as vinte amostras finalistas de café tipo cereja descascado do
Concurso Mineiro de Qualidade do Café no ano de 2013, objetivando apon-
tar atributos associados ao ranqueamento das
amostras que resultaram em melhor qualidade e construir um modelo de regressão que possa predizer as notas finais. Sob o
enfoque quantitativo, foi realizado uma análise exploratória a partir da construção dos componentes principais com os 15
atributos. Posteriormente, foi avaliado a capacidade de predição de notas finais através de um modelo de árvore de regressão.
Como resultado, os ácidos Linoleico e Palmítico foram os atributos que mais contribuíram para a construção dos primeiros
componentes principais, e além disso, o ácido Linoleico foi atribuído como a raiz da árvore de regressão, ou seja, um atributo
de grande importância para predição das notas finais.
Palavras-chave
: Atributo sensorial. Análise multivariada. Árvore de regressão. Café cereja descascado.
Data Science in the evaluation of extreme quality coffee samples
Abstract
Demand for the quality of specialty coffees has driven the market and influenced the increased commercial value of
coffee
bags. In the Brazilian market, the state of Minas Gerais contributes a significant percentage of productivity, a fact
that has been
accompanied by quality coffee contests. This paper analyzed the first twenty samples of peeled cherry coffee ranked in the
Concurso Mineiro de Qualidade do Café in 2013. Under the quantitative approach, an exploratory analysis was performed from
the construction of the principal components with the 15 attributes. Subsequently, the prediction capacity of final grades was
evaluated through a regression tree model. As a result, Linoleic and Palmitic
acids were the attributes that most contributed to
the construction of the first principal components. In addition, Linoleic
acid was attributed as the root of the regression tree,
which is a important attribute for the prediction of final scores.
Keywords: Sensory attribute. Multivariate analysis. Regression tree. Peeled cherry coffee.
1Universidade Federal de Alfenas. Alfenas, MG. Brasil.
https://orcid.org/0000-0003-3361-0908 2Universidade
Federal de Alfenas. Alfenas, MG. Brasil.
https://orcid.org/0000-0002-9941-7951 3Universidade
Federal de Lavras. Lavras, MG. Brasil.
https://orcid.org/0000-0003-2111-3744 4Universidade
Federal de Alfenas. Alfenas, MG. Brasil.
https://orcid.org/0000-0002-5783-2276 5Universidade
Federal de Alfenas. Alfenas, MG. Brasil.
https://orcid.org/0000-0001-8451-8920
*Autor para correspondência: eric.ferreira@unifal-mg.edu.br
CADERNO DE CIÊNCIAS AGRÁRIAS
Agrarian Sciences Journal
2
Ferreira, E. B. et al.
Introdução
O cenário de mercados cada vez mais competi-
tivos começou a atingir a atividade cafeeira mundial nas
últimas décadas. Essa situação pode ser evidenciada na
constante busca por melhorias na qualidade do grão pro-
duzido de modo a atender a demanda atual. Em relação ao
mercado brasileiro, notou-se uma redução quanto ao nível de
exportações a partir de 1920. Tal redução pode ser justificada
pelo aumento da qualidade dos cafés pro- duzidos pela
Colômbia e por países da América Central
(Ormond et al.,
1999). Em consequência dessas questões,
pode-se notar a
expansão de grãos especiais e cafeterias gourmet,
incentivando produtores mundiais (Ormond et al., 1999;
Boaventura et al., 2018).
A intensidade do sabor típico do café foi analisada
por
Kreuml et al., (2013) em amostras do tipo Arábica e
Robusta. Como resultado, os componentes aromáticos
foram
importantes para a bebida do café e que mudanças
sensoriais
foram notadas com o tempo de armazena- mento. Como
exemplo deste fato, houve um aumento da intensidade de
sabor azedo no café tipo Arábica e da acidez no Robusta.
Mori et al. (2018) descreveram a qualidade de
cafés
a partir de genótipos desenvolvidos para o estado do
Espírito
Santo, em que a componente de acidez foi uma
das
características de maior impacto na qualidade de um
dos
genótipos. Sanchez e Chambers (2015) discutiram impactos
da forma de preparação de produtos como o café nas
questões sensoriais, inferindo que o aroma e o sabor podem
se alterar conforme o método de preparo; Baqueta et al.,
(2019) apontaram complexidades da
avaliação sensorial por
degustação e Borém et al. (2019)
identificaram os principais
atributos em cafés especiais de Minas Gerais.
No mercado Brasileiro, o estado de Minas Gerais
é
um dos maiores produtores do país. Atualmente, os
produtores do estado estão ganhando espaço quanto ao nível
de qualidade da safra produzida. Tal fato une-se a criação de
concursos de qualidade que incorporam valor ao café
(Barbosa et al., 2009) e objetivam o aumento de emprego e
de qualidade de vida para o cafeicultor, for-
talecendo
também a agricultura familiar (Emater, 2019).
Mais recentemente, métodos de aprendizado de
máquina vem sendo utilizados na análise de qualidade de
produtos, como o vinho e cafés, por meio e algorítimos de
árvores, boosting, bagging e redes neurais (Goyal e Goyal,
2013; Lantz, 2015; Oliveira et al., 2019). Um método não
paramétrico muito utilizado é a árvore de regressão, sendo
construído a partir do particionamento
no espaço dos dados
(Loh, 2014). Cada particionamento é considerado um nó e cada
desfecho final é denominado
folha (Izbicki e Santos, 2018).
Assim, com a criação de particionamentos distintos e
disjuntos, a predição da variável resposta dado as
covariáveis é dada por:
No que diz respeito a qualidade de um produto,
entende-se como um grão de qualidade aquele com ca-
racterísticas de sabor e aroma notáveis pelo consumidor.
Esses
produtos comumente passam a ser certificados no mercado,
expandindo a demanda dos cafés produzidos pela
propriedade produtora (Oliveira et al., 2012).
No processo de especificação da qualidade do
grão, relaciona-se parâmetros considerados tradicionais
como o clima, solo de cultivo e altitude, o que pode ser
visto
em Souza (2006) e Silva et al. (2015). Além destes,
incorpora-
se atributos sensoriais que “geralmente se tra- duzem em
qualidade superior da bebida”. Desta forma, cafés
considerados especiais admitem uma diversidade de fatores
em sua qualidade (Souza, 2006).
Mais detalhes podem ser vistos em Loh (2014),
James et al., (2013) e Izbicki e Santos (2018), bem como
as
etapas para a construção e poda de uma árvore, pro-
cedimento este que evita o super-ajuste.
O aspecto sensorial é considerado o mais impor-
tante no processo de escolha do consumidor (Dutcosky,
2013). Estudos e aplicações da análise sensorial tem se
mostrado como ferramenta útil para a avaliação de produtos
(Minim, 2010). Este fato pode ser notado nos recentes
estudos analisando a qualidade de produtos,
como cultivares
de café, em Sanchez e Chambers (2015)
e Baqueta et al.,
(2019).
Em conjunto a esses métodos de aprendizado,
métodos multivariados como componentes principais
também possibilitam analisar atributos de um produ- to,
como visto em Chalfoun et al. (2013), Kreuml et al. (2013)
e Kim et al. (2019). Conforme Jolliffe e Cadima (2016), a
técnica possibilita o redimensionamento dos dados a partir
da construção de variáveis ortogonais que maximizam a
variância.
Na literatura, Chalfoun et al., (2013) analisaram
os
atributos sensoriais relacionados ao sabor, doçura, corpo e
acidez em 21 cultivares do tipo cereja descas- cado. O
estudo explorou as notas atribuídas a partir de
metodologias
da estatística experimental e multivariada,
possibilitando o
agrupamento de amostras com carac- terísticas semelhantes
e a comparação dos cultivares avaliados.
Conforme Mingoti (2005), para a construção dos
componentes principais define-se o vetor aleatório X =
(X , ..., X ) com vetor de médias µ, matriz de covariân-
1
p
cias . Então, os componentes podem ser calculados via
matriz de correlação ou covariâncias. Caso estes sejam
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
3
Ciência de dados na avaliação de amostras de cafés de qualidade extrema
estimados pela matriz de covariâncias S, calcula-se os
Material e métodos
autovalores
e seus autovetores normalizados
Para este estudo foram analisadas as notas atri-
buídas às 20 amostras finalistas no Concurso Mineiro de
Qualidade do Café, relativas ao tipo cereja descascado. As
variáveis analisadas podem ser separadas em três grupos:
atributos sensoriais
: acidez, corpo, sabor e doçura da amostra;
ácidos graxos: ácido palmítico, esteárico, oleico, linoleico,
linolênico, araquídico e behênico; e compostos
bioativos:
cafeína, trigonelina, ácido clorogênico e saca- rose.
. Desta forma, a i-ésima componente principal será
dada por:
,
i = 1, ..., p,
sob condições de que a variância de cada componente
( ) é correspondente a
e os componentes são orto-
gonais, ou seja, não correlacionados.
O nível de informação contido nos dados ori-
ginais será retido nos componentes. Em geral, a litera- tura
recomenda reter um número de componentes que expliquem
em média 70% da variabilidade do conjunto original (Jolliffe
e Cadima, 2016). Mais detalhes acerca
da construção
algébrica dos componentes principais estão
em Johnson e
Wichern (2015).
A partir da avaliação destes 15 atributos, conce- deu-
se uma nota final a cada amostra por meio de uma média
ponderada em escala de 0 a 100. Essa nota final possibilitou
o ranqueamento das amostras, indicando aquelas que
apresentaram uma melhor qualidade em relação as demais.
Desta forma, as amostras ranquea- das foram identificadas
conforme a colocação em escala crescente.
Concursos de qualidade
Visando analisar conjuntamente todos os atribu-
tos
avaliados no concurso, utilizou-se de metodologias da
análise multivariada, como componentes principais. Os
componentes principais foram calculados com o ob- jetivo
do redimensionamento dos dados, possibilitando a escolha
de variáveis latentes que contemplem o maior percentual da
variabilidade. Assim, adotou-se um per- centual mínimo de
70% de explicação da variabilidade total para a retenção dos
componentes.
As variações no processo de colheita da safra,
como o tipo cereja descascado e natural, possibilitam
estudos e concursos que explorem as particularidades de
cada forma de colheita. Saraiva et al. (2010) obtive- ram
como resultado que os métodos por via úmida sem retirada
da mucilagem apresentaram cafés de melhor qualidade e
controle de processamento. Assim, os con- cursos de
certificação do grão avaliam os cultivares em categorias
conforme o método de colheita (Barbosa et al., 2009).
Analisaram-se os resultados fornecidos pelos com-
ponentes principais, relacionando estes com os atributos
originais avaliados. Essa forma possibilitou a análise de
quais atributos mais contribuíram para cada componente
principal, permitindo a discussão de quais atributos estão
mais
relacionados com a qualidade do grão. Por fim, foi utilizado
um modelo de aprendizado de máquina de modo a predizer
a nota final da amostra com base nas variáveis que mais
contribuíram para a formação dos primeiros componentes
principais. Ressalta-se que para o estudo foram utilizadas as
bibliotecas disponíveis no software R (R Core Team, 2019).
No ano de 2013, a Empresa de Assistência Técnica
e
Extensão Rural do Estado de Minas Gerais (EMATER,
2019) coordenou o Concurso de Qualidades dos Cafés de
Minas. No evento foram inscritas 1213 amostras de café
tipo Arábica, dos quais 870 corresponderam ao tipo natural e
343 ao tipo cereja descascado. Destas, 198 fo-
ram
selecionadas para a fase final do evento que ocorreu
na cidade
de Lavras-MG. As amostras premiadas foram
direcionadas a
leilão, ampliando e auxiliando o processo
de venda das sacas
(EMATER, 2013).
Desta forma, este trabalho analisou as vinte amos- tras
finalistas de café tipo cereja descascado do Concurso
Mineiro
de Qualidade do Café no ano de 2013, com o
objetivo de
apontar atributos associados ao ranqueamento das amostras de
melhor qualidade e construir um modelo
de regressão que
possa predizer as notas finais. Sob o enfoque quantitativo,
foi realizado uma análise explo- ratória com a construção
dos componentes principais. Posteriormente, foi avaliado a
capacidade de predição de notas finais com um modelo de
árvore de regressão.
Sendo possível, desta forma, discutir a
importância destes
atributos para o planejamento de melhora
na qualidade do grão e de derivados.
Resultados e discussão
As vinte amostras selecionadas para a fase final do
concurso apresentaram notas finais similares, admi- tindo
um coeficiente de variação de 1,252% em relação à média de
84,28 pontos. Este fato pode expressar certo nível de
concordância entre as notas atribuídas pelos avaliadores,
pelo fato de que estas amostras já eram fi-
nalistas e
homogêneas. Conforme o diagrama de Boxplot,
apresentado
na Figura 1, pode-se observar a presença de uma nota
extrema. Esta nota mínima corresponde a amostra de café
20, ranqueada na vigésima posição com nota final
equivalente a 81,42.
Conforme a nota final recebida pela amostra 20,
é
necessário analisar quais atributos fizeram com que
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
4
Ferreira, E. B. et al.
esta fosse penalizada em relação a amostra 1, ou seja,
identificar se a presença ou ausência de algum atributo
reduziu a qualidade da amostra. Na figura 2, tem-se no
eixo abcissas os atributos avaliados e no eixo das ordenadas
as respectivas notas fornecidas. Observe que a amostra 1
obteve maiores notas de ácido palmítico, linoleico e
sacarose quando comparado a amostra 20.
Resultado que vai de encontro aos estudos de Figueiredo et al.
(2015) e Borém et al. (2016), em que ácidos graxos
saturados
como o palmítico contribuíram para a quali- dade sensorial,
e amostras com maiores notas também apresentaram
maiores níveis de sacarose, contribuindo para a formação do
sabor.
Figura 1 – Diagrama de Boxplot relativo as notas finais das amostras do tipo cereja descascado
Figura 2 – Notas atribuídas às amostras 1 e 20, ou seja, a primeira e vigésima amostra ranqueada no concurso
Estendendo a análise ao contexto multivariado, os
componentes principais foram construídos utilizando a
matriz de covariâncias dos dados originais. Como re-
sultado, 15 componentes foram obtidos, sendo os dois
primeiros responsáveis por explicar 70,60% da variabi-
lidade original dos dados. Conforme esse percentual de
explicação, este trabalho concentrará as análises a partir dos
dois primeiros componentes.
para a criação do primeiro componente principal. Já para o
segundo componente, o ácido palmítico foi o maior
contribuidor, em um nível superior a 60%. Desta
forma,
pode-se afirmar que estes dois ácidos graxos foram
os atributos
mais significativos. Ressalta-se que a linha tracejada em
vermelho representa a média esperada de contribuição de
cada atributo para a criação do compo- nente.
A Figura 3 apresenta as contribuições dos atri-
butos para a construção dos dois primeiros componentes
principais. Nota-se que os ácidos graxos linoleico e pal-
mítico foram os atributos que mais contribuíram para a
construção dos dois primeiros componentes.
Entretanto, é possível analisar o relacionamento
entre
os atributos e as amostras. Conforme Kassambara
(2017), no
gráfico de relacionamento entre os indivíduos
e os
componentes, é necessário analisar a direção das variáveis
sem considerar as posições absolutas. Assim, uma amostra
localizada na mesma direção de uma dada variável, obteve a
maior nota para tal variável.
A partir da Figura 4 pode-se notar que o ácido
linoleico contribuiu com um percentual superior a 75%
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
5
Ciência de dados na avaliação de amostras de cafés de qualidade extrema
Figura 3 – Contribuições das variáveis para a construção dos dois primeiros componentes principais
Figura 4 – Percentuais de contribuição de cada variável para a construção do primeiro e segundo componente em (a) e (b),
respectivamente
(a)
(b)
Conforme a Figura 5, a amostra 1 manteve-se
direcionada para os atributos sabor e sacarose, rece- bendo
maiores notas para estes atributos. Na literatura, Alvarenga
(2017) concluiu que a nota final de cafés do tipo cereja
descascado está diretamente relacionada com atributos
sensoriais como o Sabor. Por outro lado, a amostra 20 foi
alocada no sentido inverso aos atributos de sabor, doçura,
acidez, recebendo maiores notas para os atributos ácido
esteárico, araquídico e cafeína.
e direcionadas no sentido do ácido linoleico. A presença
deste último ácido também foi discutida por Alvarenga
(2017), apontando que as melhores amostras foram
avaliadas com elevados teores deste.
Tendo em vista que os ácidos linoleico e palmítico
foram importantes para a construção dos componentes
principais e discutidos nos estudos de Figueiredo et al.
(2015) e Borém et al. (2016), foi considerado o método de
árvore de regressão para previsão das notas finais das
amostras. Considerando essas variáveis, tem-se a
matriz de
correlações apresentada na Tabela 1. Note que
a correlação
entre as variáveis independentes (palmítico e linoleico) pode
ser considerada fraca.
Dada a homogeneidade entre as classificações das
amostras, um padrão que pode ser analisado é que entre as
amostras 1 a 5, 80% estiveram inversamente direcionadas
aos ácidos araquídico, esteárico e behênico
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
6
Ferreira, E. B. et al.
Figura 5 – Relacionamento entre as amostras de café analisadas com os dois componentes principais
Tabela 1 – Correlações entre as variáveis utilizadas no modelo de regressão
Notas
Palmítico
Limoneico
Notas
Palmítico
Limoneico
1,00
-0,09
0,35
-0,09
1,00
-0,34
0,35
-0,34
1,00
Para o ajuste da árvore de regressão foram con-
sideradas aleatoriamente 90% das amostras do conjun- to
original, isto é, 90% para treino e 10% para teste. As
amostras selecionadas para teste corresponderam a
amostra 8 e 14. Após o ajuste, foram obtidas as seguintes
métricas de qualidade, apresentadas na Tabela 2. Note que o
MAPE (erro percentual médio absoluto) indica uma boa
acurácia.
Tabela 2 – Métricas de qualidade de ajuste para o modelo*
Modelo
MAE
RMSE
RAE
MAPE
Árvore
0,8061
0,9541
1,7810
0,0095
*MAE: Média absoluta de erro; RMSE: Raiz do erro quadrático médio; RAE: Erro relativo absoluto; MAPE: Erro percentual absoluto médio.
Dado o modelo considerado, tem-se que a co-
variável linoleico é a de maior importância no modelo
(2,91%), seguido por palmítico (1,29%). Conforme o
modelo, tem-se o seguinte resultado apresentado na Figura
6. Note que há uma nota média comum entre as
amostras de
84,3, que é amplificada, em média, se a nota
atribuída ao
ácido linoleico for superior a 39,8.
linoleico superiores a 39,8 e de palmítico inferiores a 34,9
conduziram a nota final de 84 em 22,2% das amostras
avaliadas.
Note ainda que se fosse considerado apenas o
ácido linoleico, uma nota atribuída a este superior a 39,8 já
resultaria em uma média final de 84,5. Resultado simi-
lar ao
de Alvarenga (2017) em que conforme o método de
regressão por meio de componentes principais, altos teores
de linoleico estiveram relacionados com melho- res cafés,
mas oposto ao discutido em Figueiredo et al., (2015), em
que ácidos como linoleico relacionaram-se com cafés de
menor acidez, sabor e corpo.
Caso a nota atribuída ao ácido linoleico seja supe-
rior
a 39,8, há um novo ramo que desagrega as notas em
relação ao
ácido palmítico. Neste caso, a maior nota final
esperada é
relacionada a amostra de linoleico superior a 39,8 e
palmítico inferior a 34,9. No entanto, notas de
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
7
Ciência de dados na avaliação de amostras de cafés de qualidade extrema
Figura 6 – Modelo de árvore de regressão ajustado as
notas finais
Este fato indica que concentrações de ácido lino-
leico no grão podem ser utilizados para predizer a nota final
atribuída a amostra de café. De modo a avaliar a
capacidade
de previsão das notas finais das amostras, foi
considerado os
10% restantes da amostra para treino, os resultados obtidos
estão apresentados na Tabela 3, com erro percentual absoluto
médio de 0,3811, indicando boa acurácia. Ainda conforme
a Tabela 3, observe que o modelo conseguiu manter a
ordenação das amostras, ou seja, a amostra 8 apresenta
qualidade superior em relação a amostra 14.
Este resultado indica a possibilidade de utilização
de
métodos de aprendizado de máquina à contextos da
estatística sensorial, permitindo a predição de notas de
produtos conforme seus atributos, principalmente em casos
de alta dimensão, onde um modelo de regressão usual pode
apresentar problemas.
Tabela 3 – Valores observados e preditos para os 10% restantes da amostra, ou seja, amostras 8 e 14
Amostra
8
14
Nota Observada
Nota Predita
84,92
84,67
83,90
83,51
Considerações finais
O modelo construído apresentou um baixo erro de
predição para as notas finais das amostras, indicando que
maiores concentrações de ácido linoleico possibilitaram
maiores notas finais. Este atributo foi considerado como raiz
da árvore pelo algorítimo, isto é, uma covariável de alta
importância. Por fim, outros algorítimos podem ser
utilizados de modo a avaliar a capacidade de predição
de
notas e atributos sensoriais em novos trabalhos, como
por
exemplo, considerando s árvores de regressão.
A identificação dos atributos que possibilitaram a
escolha de uma amostra vencedora pode não ser trivial. Fato
que pode ser justificado pela homogeneidade das notas e
das características das amostras utilizadas neste estudo. De
fato, todas apresentam boa qualidade.
Entretanto, é possível discutir acerca de atributos
associados com a melhor qualidade do produto, mais
especificamente, do café. Neste caso, a partir da análise
exploratória via componentes principais, foi notado que
os
ácidos Linoleico e Palmítico foram atributos de grande
importância para a construção dos primeiros componentes
principais. Estes atributos foram usados como covariá- veis
em um modelo de regressão em árvore, de modo a predizer
as notas finais.
Agradecimentos
O trabalho foi realizado com apoio da Coorde-
nação de Aperfeiçoamento de Pessoal de Nível Superior
- Brasil (CAPES) - Código de Financiamento 001.
Referências
Alvarenga, S. T. 2017. Caracterização química e sensorial de cafés
especiais do sul de Minas Gerais. 120 f. Tese (Doutorado em Ciência dos
Alimentos) - Universidade Federal de Lavras, Lavras.
Boaventura, P; Abdalla, C; Araújo, C; Arakelian, J. 2018. Cocriação de
valor na cadeia do café especial: o movimento da terceira onda do café.
Revista de Administração de Empresas, São Paulo, 58: 254-266. Doi:
http://dx.doi.org/10.1590/s0034-759020180306.
Barbosa, J.; Borém, F.; Alves, H.; Volpato, M.; Souza, V.; Santos, W. ;
Andrade, L. 2009. Distribuição espacial de cafés do Estado de Minas
Gerais e sua relação com a qualidade. In: Simpósio de Pesquisa dos Cafés
do Brasil, 6, 2009, Vitória. Anais. Vitória. p. 1-7.
Borém, F; Cirillo, M; Alves, A; Santos, C; Liska, G; Ramos, M; Lima,
R. 2019. Coffee sensory quality study based on spatial distribution in
the
Mantiqueira mountain region of Brazil. Journal of Sensory Studies,
e12552.
Doi: https://doi.org/10.1111/joss.12552.
Baqueta, M; Coqueiro, A; Valderrama, P. 2019. Brazilian coffee blends: a
simple and fast method by near-infrared spectroscopy for the
determination of the sensory attributes elicited in professional coffee
cupping. Journal of food science, 84:1247-1255. Doi: http://
dx.doi.org/10.1111/1750-3841.14617.
Borém, F; Figueiredo, L; Ribeiro, F; Taveira, J; Giomo, G; Salva, T. 2016.
The relationship between organic acids, sucrose and the quality of specialty
coffees. African Journal of Agricultural Research, 709-717 709-717. Doi:
http://dx.doi.org/10.5897/AJAR2015.10569.
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
8
Ferreira, E. B. et al.
Chalfoun, S.; Pereira, M.; Carvalho, G.; Pereira, A.; Savian, T.; Botelho,
D. 2013. Sensorial characteristics of coffee (coffea arabica l.) varieties in
the
alto paranaíba region. Coffe Science, 8: 43-52. Doi: http://dx.doi.
org/10.25186/cs.v8i1.330.
Kreuml, M.; Majchrzak, D.; Ploederl, B.; Koenig, J. 2013. Changes in
sensory quality characteristics of coffee during storage. Food Science &
Nutrition, 4:267–272. Doi: 10.1002/fsn3.35.
Lantz, B. 2015 Machine Learning with R. 2. ed. Reino Unido: Packt
Publishing.
Dutcosky, S. D. 2013. Análise sensorial de alimentos. 4. ed. Curitiba:
Editora Universitária Champagnat, 2013.
Loh, W. 2014. Classification and regression tree methods. Wiley StatsRef:
Statistics Reference Online.
EMATER, 2019. Vencedores do 10º Concurso de Qualidade dos Cafés
de
Minas são premiados na UFLA. Portal do Agronegócio, 17 dez. 2013.
Disponível em: https://www.portaldoagronegocio.com.br/noticia/
vencedores-do-10-concurso-de-qualidade-dos-cafes-de-minas-sao-
premiados-na-ufla-102238.
Mingoti, S. 2005. Análise de dados através de métodos de estatística
multivariada. Belo Horizonte: Editora UFMG.
Minim, V. Análise sensorial: estudo com consumidores. 2. ed. Viçosa:
Editora da Universidade Federal de Viçosa, 2010.
EMATER, 2013. XVI Concurso de Qualidade dos Cafés de Minas Gerais–
2019. Disponível em: http://www.emater.mg.gov.br/doc/
intranet/upload/cafe2018/regulamento_2019.pdf.
Mori, A; Garcia, A; Ferrão, M; Fonseca, A; Ferrão, R; Benassi, M. 2018.
Sensory profile of conilon coffee brews from the state of Espírito Santo,
Brazil. Pesquisa Agropecuária Brasileira, 53: 1061-1069. Doi: http://
dx.doi.org/10.1590/s0100-204x2018000900010.
Figueiredo, L; Borém, F; Ribeiro, F; Giomo, G; Taveira, J; Malta, M.
2015. Fatty acid profiles and parameters of quality of specialty coffees
produced in different Brazilian regions. African Journal of Agricultural
Research, 10: 3484-3493. Doi: 10.5897/AJAR2015.9697.
Oliveira, J; Elias, T; Lessa, M. 2012. Café Especial: Agregação de Valor ao
Tradicional Café. Revista Eletrônica de Comunicação, 3: 1-8. Disponível em:
http://periodicos.unifacef.com.br/index.php/rec/article/view/445.
Goyal, S; Goyal, G. 2013. Machine learning ann models for predicting
sensory quality of roasted coffee flavoured sterilized drink. 2013.
Advances in Distributed Computing and Artificial Intelligence Journal,
2: 9-
13. Doi: http://dx.doi.org/10.14201/ADCAIJ201426913.
Oliveira, L; Menezes, F; Cirillo, M; Saúde, A; Borém, F; Liska, G. 2019.
Machine Learning techniques in muliclass problems with application in
sensorial analysis. Concurrency and Computation: Practice and
Experience. Doi: 10.1002/cpe.5579.
Izbicki, R; Santos, T. 2018. Machine learning sob a ótica estatística: uma
abordagem preditivista para estatística com exemplos em R. Disponível
em:
http://www.rizbicki.ufscar.br/sml.pdf.
Ormond, J; Paula, S; Farevet Filho, P. 1999. Café: (re)conquista dos
mercados. Disponível em: https://www.bndes.gov.br/SiteBNDES/
export/sites/default/bndes_pt/Galerias/Arquivos/conhecimento/bnset/
set1001.pdf.
James, G; Witten, D; Hastie, T; Tibshirani, R. 2013. An Introduction to
Statistical Learning. Reino Unido: Springer.
Johnson, R; Wichern, D. 2015. Applied Multivariate Statistical Analysis.
6. ed. Pearson.
R CORE TEAM. 2019. R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna, Austria.
Jolliffe, I; Cadima, J. 2016. Principal component analysis: a review and
recent
developments. Philosophical Transactions of the Royal Society A:
Mathematical, Physical and Engineering Sciences, 374 (2065). Doi:
http://dx.doi.org/10.1098/rsta.2015.0202.
Sanchez, K.; Chambers, E. 2015. How Does Product Preparation Affect
Sensory Properties? An Example with Coffee. Journal of Sensory Studies,
30.
Doi: 10.1111/joss.12184.
Saraiva, S; Araújo, M; Lucia, S, Silva, L; Zeferino, L. 2010. Comparação
dos
tipos de processamento pós-colheita de café. In: Simpósio de Pesquisa dos
Cafés Do Brasil. Vitória. Anais. Brasília, DF: Embrapa.
Kassambara, A. 2017. Principal Component Methods. In: R: practical
guide. Disponível em: https://www.datanovia.com/en/wp-content/
uploads/dn-tutorials/book-preview/principal-component-methods- in-r-
preview.pdf.
Silva, S; Queiroz, D; Ferreira, W; Corrêa, P; Rufino, J. 2015. Mapping the
potential beverage quality of coffee produced in the Zona da Mata, Minas
Gerais, Brazil. Journal of the science of food and agriculture, 96:3098-
30108. Doi: 10.1002/jsfa.7485.
Kim, H; Hong, D; Yu, J; Lee, S; Lee; Y. 2019. Identification of Headspace
Volatile Compounds of Blended Coffee and Application to Principal
Component Analysis. Preventive Nutrition and Food Science, 24, 217- 223.
Doi: 10.3746/pnf.2019.24.2.217.
Souza, M. 2006. Cafés sustentáveis e denominação de origem: a
certificação de qualidade na diferenciação de cafés orgânicos, sombreados
e solidários. Tese (Doutorado em Ciência Ambiental) - Ciência Ambiental,
Universidade de São Paulo, São Paulo.
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738