等级：初学者
是ongxin Cui，康涅狄格大学商学院商业分析和项目管理专业学生
Tianhao Zhao，学生，商业分析和项目管理项目，康涅狄格大学商学院
Xinyin Miao，康涅狄格大学商学院商业分析和项目管理专业学生
1。执行摘要
挑剔的葡萄酒质量对于向公众销售的酒商来说尤为重要，因为他们通常没有资源储存大量的葡萄酒，需要确保他们的库存中包含能够满足越来越挑剔的人的高品质葡萄酒大众的味蕾。 我们的团队决定使用 JMP 中提供的数据挖掘工具来检查是否可以根据 11 个描述性变量（包括葡萄酒化学测量或通常根据这些测量进行的计算）来预测葡萄酒的质量，即公众的主观评价。 我们的目标是一个简约的模型，一个变量数量最少的模型，这将有助于酿酒厂生产更高质量的葡萄酒。 更重要的是，我们的团队会分析红酒和白酒的区别。 我们的初步结论是，对于红葡萄酒，四个变量（挥发性酸度、总二氧化硫、硫酸盐和酒精）可能足以预测高质量，而对于白葡萄酒，五个变量（固定酸度、挥发性酸度、残糖、硫酸盐和酒精）酒精）可能是高质量的充分预测指标。
2. 方法论
在本节中，SEMMA 方法用于探索红酒和白酒数据集。
样本
红酒和白酒数据集都有 12 个变量。 红酒数据集有 1599 行，白酒数据集有 4898 行。 对于这个项目，没有必要使用这些数据集的较小样本，因为它们既小到足以用可用的计算机资源进行处理，又大到足以包含重要信息。
探索
对于每种葡萄酒，数据集包含 11 个与葡萄酒的物理和化学特性相关的预测因子和一个葡萄酒质量的主观评级。 测量变量都是连续的。质量评级变量是有序的，范围从 1（最低质量）到 10（最高质量）。 预测变量都是描述葡萄酒物理或化学特性的连续变量。 最初，密度被认为与其他一些变量有很强的关系，例如二氧化硫、硫酸盐和其他化学成分可能会影响葡萄酒的密度。 此外，JMP 中的分布函数报告表明，每个预测变量被确定为几乎正态，除了高度左偏的残糖。 如有必要，残糖将在分析中转化。 残留糖分和氯化物的广泛分布也可能代表或隐藏异常值。
调整
( 1）纠正不一致和明显的错误
两个数据集没有不一致和明显的错误。
(2)改变数据类型
理想情况下，此数据会将目标“质量水平”确定为连续变量。 但这可能会导致问题。 此质量级别必须介于 1 和 10 之间，以对应于主观质量评级。 如果质量水平是连续的，则可能会导致不切实际的结果（质量水平大于 10 或小于 0）。 将质量水平设为与主观评分相对应的序数不会让事情变得更好，因为在这两种情况下，仍然需要确定优质葡萄酒和低质量葡萄酒之间的界限。 如果大多数商家都希望储存范围广泛的优质葡萄酒，那么单一的二元序数质量水平可能对商家来说更好。 由于红葡萄酒和白葡萄酒的主观质量评分的中值为 6，因此如果主观评分等于或大于 6，则选择高质量水平，如果主观评分低于 6，则选择低质量水平。 左边是红酒品质等级，右边是白葡萄酒品质等级。
(3)异常值检测与处理
数据集中的异常值或极值可能会影响其余数据的分析。 JMP 中的 Explore Outliers 结果表明，这两个数据集包含一些极值，其中大部分集中在残糖、氯化物和硫酸盐中。 此外，稳健分析功能进一步定位“极端”行。 在红酒中，第 152 行和第 259 行的氯化物浓度分别为 0.61 和 0.611，远高于其他行的值。 葡萄酒研究表明，氯化物会危害人们的健康，许多国家都对氯化物的含量设定了上限。 例如，澳大利亚允许的氯化物最高含量为607 mg/L，本项目将其设定为氯化物阈值。 此外，还有一些其他法律限制。 名单如下。
(4) 处理缺失值
当观察中没有数据存储时，就会出现缺失值。 Function Explorer Missing Values 显示红酒和白葡萄酒数据集中没有缺失值。
(5) 数据缩减
一些变量可能包含类似的信息，包括它们可能会给模型带来不必要的复杂性，甚至可能使解释更加困难或混乱。 在制作模型之前，有必要排除任何包含与另一个变量相同信息的变量。 JMP 中的多元函数识别因变量之间的关系。在这个项目中，如果两个变量之间的相关值大于 0.6，则认为它们包含潜在的重叠信息。 然后，需要专业知识来证实这个假设。
主成分分析
另一种减少变量之间重叠信息的方法是主成分分析，它可以去除变量之间信息的重叠，减少模型的冗余，让较少数量的变量具有表示大量信息的能力。 JMP 中的 PCA 函数创建包含数据集大部分信息且变量较少的主成分。 一般来说，应该选择特征值大于1的主成分。 但是，应该使用红色和白色的前七个主要成分，因为它们包含大约 90% 的信息。
e.监督学习-分类模型
在这个项目中，使用了逻辑回归、决策树、bootstrap树和森林，以及神经网络来制作模型。
(1) 逻辑回归
逻辑回归可用于结果变量为有序或名义变量的模型，并且这种方法被广泛使用，特别是在结构模型旨在解释或预测的情况下。 由于在此葡萄酒分析中的目标是查看葡萄酒的质量是高品质还是低品质，因此逻辑回归是最好的方法之一。 JMP 中的 Fit Model Function 可以给出模型的报告。 然后，如果不影响误分类率，p 值大于 0.05 的变量将从模型中删除。 此外，拟合模型中的逐步函数可用于通过最大 R 方验证找到最佳变量选择。
（2）决策树（分区）
对于决策树方法，未转换的变量被输入到分区函数中，因为变量的任何单调转换都会给出相同的树。 分区功能中的执行按钮可用于自动找到最佳拆分。 因此，红酒的最佳拆分为 8 次，白葡萄酒为 14 次。 然而，根据分裂历史，当我们分别将分裂次数减少到 6 和 8 时，R-square 的值可以是相似的。 这种方法可以降低模型的复杂度而不影响其准确性。
(3) Bootstrap树和Bootstrap森林
与决策树方法一样，当在函数中输入变量时，JMP 可以报告引导树和引导森林模型的结果。 重要的是，为了防止森林模型变得过于复杂，我们将最大分割时间从 2000 次减少到 25 次。
(4) 神经网络
神经网络的优势在于它们具有提供高预测性能的潜力。 它们的结构支持捕获预测变量和响应之间非常复杂的关系，这对于其他预测模型来说通常是不可能的。 但是神经网络的输入变量必须预先选择，因为神经网络不能自己选择变量。 寻找性能最佳的神经网络的常用方法是从一个非常简单的默认神经模型开始，只有一层和三个节点，然后构建一个更复杂的具有两层、多个节点和不同激活函数的模型，并继续这个过程直到获得满意的预测。
F。结果和访问
对比矩阵表明，Boosted Forest的熵R-Square和广义R-Square最高，RMSE和误分类率最低。 此外，Booted Forest 的准确度也是最高的。 然而，逻辑回归被选为最佳模型，尽管它的每个参数都不是最佳的。 该参数与其他型号接近。 此外，逻辑模型简单，预测变量易于解释。 因此，红色和白色的逻辑回归模型应该是最好的模型。
三、结论与建议
红酒中的酒精度、残糖、硫酸盐、总二氧化硫与优质呈正相关，固定酸和挥发酸与优质呈负相关。 白葡萄酒中Alcohol、Sulphate与优质呈正相关，而Volatile Acidity、Citric Acid、Total Sulphur Dioxide与优质呈低相关。 模型公式如下。 左边是红酒，右边是白酒。 （注：公式为低质量）
酸度
酸是葡萄酒的 4 大基本特征之一，赋予葡萄酒酸味和酸味。 酸度为葡萄酒增添了活力和爽口感，也使葡萄酒的风味更加突出。 酸有开胃作用，想再来一杯。 在低浓度下，它会增加风味的复杂性，但在高浓度下，它会导致葡萄酒变质。
TOTOL 二氧化硫和硫酸盐
亚硫酸盐可以保存葡萄酒并减缓化学反应，从而导致葡萄酒变质。 阻止细菌和酵母菌生长，保持葡萄酒的新鲜口感。 但是二氧化硫含量高，会产生臭鸡蛋般的难闻气味，饮用后可能引发健康问题。
残糖
残糖（或 RS）来自酒精发酵完成后葡萄酒中剩余的天然葡萄糖。它可以改善葡萄酒的 4 个基本特性之一，即甜度。
酒精
酒精也是4个基本特征之一。 它可以改善淋巴，它通常表现为舌根和喉咙的灼热感。
制造建议
在白葡萄酒中，最好控制挥发性酸度水平，降低固定酸度，减少残糖添加，增加二氧化硫和硫酸盐，并在适当限度内增加酒精浓度。 在红酒中，最好控制挥发性酸度水平，降低红酒中的柠檬酸度，保持甚至减少二氧化硫总量，添加更多硫酸盐并在适当限度内增加酒精浓度。
给消费者的建议
颜色、酒精度、气味是葡萄酒质量的良好信号。选择颜色浅的酒。 颜色越深，酸度越高。 但酸度与品质水平呈负相关。购买前先闻一下软木塞。 臭鸡蛋味意味着这种酒不健康，尤其是红酒。在可以接受的情况下，选择酒精浓度较高的酒。
参考
Coli、Marina Sonegheti 等人。 “红葡萄酒中的氯化物浓度：风土和葡萄类型的影响。”食品科学与技术（坎皮纳斯） ，卷。 35，没有。 1, 2015, pp. 95-99., doi:10.1590/1678-457x.6493。
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
阿尔梅达、PJ 等。 “啤酒中的游离二氧化硫作为总二氧化硫和乙醛之间的差异：伏安法。”美国酿造化学家协会杂志，卷。 61，没有。 4, 2003, pp. 191-195., doi:10:1094/asbcj-61-0191。
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
