Niveau : Débutant
Oui ongxin Cui, étudiant, programme d'analyse commerciale et de gestion de projet, University of Connecticut School of Business
Tianhao Zhao, étudiant, programme d'analyse commerciale et de gestion de projet, University of Connecticut School of Business
Xinyin Miao, étudiant, programme d'analyse commerciale et de gestion de projet, University of Connecticut School of Business
1. Résumé
Le discernement de la qualité du vin est particulièrement important pour les cavistes qui vendent au grand public, car ils n'ont généralement pas les ressources nécessaires pour stocker un énorme inventaire de vins et doivent être sûrs que leur inventaire comprend des vins de haute qualité qui satisfont les clients de plus en plus exigeants. palais du grand public. Notre équipe a décidé d'utiliser les outils d'exploration de données disponibles dans JMP pour examiner si la qualité d'un vin, une évaluation subjective par le public, pouvait être prédite à partir de 11 variables descriptives (constituées de mesures de la chimie du vin ou de calculs couramment effectués à partir de ces mesures). Notre objectif était un modèle parcimonieux, avec le plus petit nombre de variables, qui aiderait une cave à produire un vin de meilleure qualité. De plus, notre équipe analyserait la différence entre le vin rouge et le vin blanc. Notre conclusion préliminaire est que pour le vin rouge, quatre variables (acidité volatile, dioxyde de soufre total, sulfates et alcool) peuvent être des prédicteurs suffisants de haute qualité, tandis que pour le vin blanc, cinq variables (acidité fixe, acidité volatile, sucre résiduel, sulfates et alcool) peuvent être des prédicteurs suffisants de haute qualité.
2. Méthodologie
Dans cette section, la méthode SEMMA est utilisée pour explorer les ensembles de données sur les vins rouges et blancs.
Échantillon
Les ensembles de données sur le vin rouge et le vin blanc comportent 12 variables. L'ensemble de données de vin rouge a 1599 lignes et l'ensemble de données de vin blanc a 4898 lignes. Pour ce projet, il n'était pas nécessaire d'utiliser des échantillons plus petits de ces ensembles de données puisque les deux sont suffisamment petits pour être traités avec les ressources informatiques disponibles et suffisamment grands pour contenir des informations significatives.
Explorer
Pour chaque vin, l'ensemble de données contient 11 prédicteurs liés aux propriétés physiques et chimiques du vin et une évaluation subjective de la qualité du vin. Les variables de mesure sont toutes continues.La variable d'évaluation de la qualité est ordinale et va de 1 (qualité la plus faible) à 10 (qualité la plus élevée). Les variables prédictives sont toutes des variables continues décrivant les propriétés physiques ou chimiques du vin. Initialement, la densité était censée avoir une relation étroite avec certaines des autres variables, telles que le dioxyde de soufre, les sulfates et d'autres composants chimiques susceptibles d'influencer la densité du vin. De plus, le rapport de la fonction de distribution dans JMP indique que chaque variable prédictive a été déterminée comme étant presque normale, à l'exception du sucre résiduel, qui est fortement asymétrique à gauche. Si nécessaire, le sucre résiduel sera transformé dans l'analyse. Les distributions largement répandues de sucres et de chlorures résiduels pourraient également représenter ou masquer des valeurs aberrantes.
Modifier
( 1) Corriger les incohérences et les erreurs évidentes
Il n'y a pas d'incohérences et d'erreurs évidentes dans les deux ensembles de données.
(2) Modifier le type de données
Idéalement, ces données détermineraient la cible, le « niveau de qualité », en tant que variable continue. Mais cela aurait pu entraîner des problèmes. Ce niveau de qualité doit être compris entre 1 et 10 pour correspondre à la note de qualité subjective. Si le niveau de qualité était continu, cela pourrait conduire à des résultats irréalistes (niveaux de qualité supérieurs à 10 ou inférieurs à 0). Faire du niveau de qualité un ordinal correspondant aux notes subjectives n'arrangerait pas les choses puisque dans les deux cas il faudrait encore déterminer une coupure entre les vins de haute et de basse qualité. Un seul niveau de qualité ordinal binaire serait probablement préférable pour les négociants si la plupart des négociants souhaitaient stocker une large gamme de vins de meilleure qualité. Étant donné que les notes de qualité subjective pour les vins rouges et blancs avaient une valeur médiane de 6, un niveau de qualité a été choisi pour être élevé si la note de la note subjective était égale ou supérieure à 6 et faible si la note de la note subjective était inférieure à 6. Celui de gauche correspond au niveau de qualité du vin rouge et celui de droite au niveau de qualité du vin blanc.
(3) Détecter et traiter les valeurs aberrantes
Les valeurs aberrantes ou extrêmes dans l'ensemble de données peuvent influencer l'analyse du reste des données. Le résultat d'Explorer les valeurs aberrantes dans JMP indique que les deux ensembles de données incluent des valeurs extrêmes, dont la plupart sont concentrées dans les sucres résiduels, les chlorures et les sulfates. En outre, la fonction d'analyse robuste localise davantage les lignes « extrêmes ». Dans le vin rouge, les concentrations de chlorures dans les rangs 152 et 259 sont de 0,61 et 0,611, ce qui est beaucoup plus élevé que les valeurs des autres rangs. La recherche sur le vin a montré que le chlorure peut nuire à la santé des personnes et de nombreux pays fixent des limites supérieures aux quantités de chlorures. Par exemple, en Australie, le niveau maximal de chlorure autorisé est de 607 mg/L, qui est défini comme la valeur seuil de chlorure dans ce projet. En outre, il existe d'autres limites légales. La liste est comme ci-dessous.
(4) Traitement de la valeur manquante
La valeur manquante se produit lorsqu'aucune donnée n'est stockée dans les observations. Function Explorer Missing Values indique qu'il n'y a pas de valeurs manquantes dans les ensembles de données de vins rouges et blancs.
(5) Réduction des données
Certaines variables peuvent contenir des informations similaires, et leur inclusion pourrait introduire une complexité inutile dans le modèle et peut-être même rendre l'interprétation plus difficile ou confuse. Avant de faire le modèle, il est nécessaire d'exclure toute variable qui contient la même information qu'une autre variable. La fonction multivariée de JMP identifie les relations entre les variables dépendantes.Dans ce projet, deux variables sont censées contenir des informations de chevauchement potentiel si la valeur de corrélation entre elles est supérieure à 0,6. Ensuite, des connaissances professionnelles sont nécessaires pour confirmer l'hypothèse.
Analyse en composantes principales
Une autre méthode pour réduire le chevauchement des informations entre les variables est l'analyse en composantes principales, qui peut supprimer le chevauchement des informations entre les variables, réduire la redondance du modèle et permettre à un plus petit nombre de variables d'avoir la capacité de représenter une énorme quantité d'informations. La fonction PCA dans JMP crée des composants principaux contenant le plus d'informations de l'ensemble de données avec moins de variables. En général, il faut choisir des composantes principales dont la valeur propre est supérieure à 1. Cependant, les sept premiers composants principaux dans le rouge et le blanc sont censés être utilisés car ils contiennent environ 90 % de l'information.
e. Apprentissage supervisé - Modèle de classification
Dans ce projet, la régression logistique, l'arbre de décision, l'arbre et la forêt bootstrap et les réseaux de neurones ont été utilisés pour créer un modèle.
(1) Régression logistique
La régression logistique peut être utilisée dans le modèle où les variables de résultat sont ordinales ou nominales, et cette méthode est largement utilisée, en particulier lorsqu'un modèle de structure est destiné à expliquer ou à prédire. Étant donné que dans cette analyse de vin, le but est de voir si le vin est de haute ou de mauvaise qualité, la régression logistique est l'une des meilleures méthodes à utiliser. La fonction Ajuster le modèle dans JMP peut fournir un rapport sur le modèle. Ensuite, les variables dont la valeur de p est supérieure à 0,05 seront supprimées du modèle si le taux d'erreur de classification n'est pas influencé. En outre, la fonction pas à pas dans le modèle d'ajustement pourrait être utilisée pour trouver le meilleur choix de variable avec une validation R-Square maximale.
(2) Arbre de décision (Partition)
Pour la méthode de l'arbre de décision, les variables qui ne sont pas transformées sont entrées dans la fonction de partition, car toute transformation monotone des variables donnera le même arbre. Le bouton go de la fonction Partition peut être utilisé pour trouver automatiquement les meilleurs splits. En conséquence, la meilleure répartition pour le vin rouge est de 8 fois et pour le vin blanc de 14 fois. Cependant, sur la base de l'historique des divisions, la valeur de R-carré peut être similaire lorsque nous réduisons le nombre de divisions à 6 et 8 respectivement. Cette méthode peut réduire la complexité du modèle sans affecter sa précision.
(3) Arbre Bootstrap et Forêt Bootstrap
À l'instar de la méthode de l'arbre de décision, JMP peut signaler le résultat de l'arbre initialisé et du modèle de forêt initialisé lorsque des variables sont saisies dans la fonction. Surtout, afin d'éviter que le modèle de forêt ne devienne trop complexe, nous réduisons le temps de partage maximal de 2000 à 25.
(4) Réseaux de neurones
L'avantage des réseaux de neurones est leur potentiel à fournir des performances prédictives élevées. Leur structure prend en charge la capture de relations très complexes entre les prédicteurs et une réponse, ce qui n'est souvent pas possible avec d'autres modèles prédictifs. Mais les variables d'entrée du réseau neuronal doivent être présélectionnées car le réseau neuronal ne peut pas sélectionner les variables par lui-même. L'approche courante pour trouver le réseau neuronal le plus performant consiste à commencer par un modèle neuronal par défaut très simple, avec une couche et trois nœuds, puis à créer un modèle plus complexe avec deux couches, plusieurs nœuds et différentes fonctions d'activation, et à poursuivre ce processus. jusqu'à ce que des prévisions satisfaisantes soient obtenues.
F. Résultats & Accès
La matrice de comparaison indique que le R-carré d'entropie et le R-carré généralisé de la forêt boostée sont les plus élevés, et le RMSE et le taux d'erreur de classification sont les plus bas. De plus, la précision de Booted Forest est également la plus élevée. Cependant, la régression logistique est choisie comme le meilleur modèle, même si chaque paramètre n'est pas le meilleur. Le paramètre est proche de celui des autres modèles. De plus, le modèle logistique est simple et les prédicteurs sont faciles à interpréter. En conséquence, les modèles de régression logistique du rouge et du blanc sont supposés être le meilleur modèle.
3. Conclusions et recommandations
Dans le vin rouge, l'alcool, les sucres résiduels, les sulfates et le dioxyde de soufre total ont une relation positive avec une qualité élevée, tandis que l'acidité fixe et l'acidité volatile ont une relation négative avec une qualité élevée. Dans le vin blanc, l'alcool et le sulfate ont une relation positive avec la haute qualité, tandis que l'acidité volatile, l'acide citrique et le dioxyde de soufre total ont une faible relation avec la haute qualité. Les formules modèles sont les suivantes. Celui de gauche le vin rouge tandis que celui de droite est le vin blanc. (Remarque : la formule est de faible qualité)
Acidité
Les acides sont l'un des 4 traits fondamentaux du vin et donnent au vin un goût acidulé et acide. L'acidité ajoute une sensation de vitalité et de rafraîchissement au vin et rend également la saveur du vin plus importante. L'acide a un effet appétissant, donc vous voulez avoir une autre tasse. Aux niveaux bas, il ajoute à la complexité de la saveur, mais aux niveaux élevés, il gâche le vin.
DIOXYDE DE SOUFRE ET SULFATES TOTOL
Les sulfites préservent le vin et ralentissent les réactions chimiques qui détériorent le vin. Empêche la croissance des bactéries et des levures, en gardant le goût frais du vin. Cependant, la teneur élevée en dioxyde de soufre produira une odeur désagréable comme un œuf pourri, ce qui peut causer des problèmes de santé après avoir bu.
SUCRE RÉSIDUEL
Le sucre résiduel (ou RS) provient des sucres de raisin naturels qui restent dans un vin après la fin de la fermentation alcoolique.Il peut améliorer l'un des 4 traits fondamentaux du vin, la sucrosité.
ALCOOL
L'alcool est également l'un des 4 traits fondamentaux. Il peut améliorer le système lymphatique et se manifeste souvent par une sensation de brûlure à la base de la langue et dans la gorge.
Recommandations pour la fabrication
Dans le vin blanc, il est bon de gérer le niveau d'acidité volatile, de diminuer l'acidité fixe, d'ajouter moins de sucres résiduels, d'augmenter à la fois le dioxyde de soufre et le sulfate et d'augmenter la concentration d'alcool dans la limite appropriée. Dans le vin rouge, il est bon de gérer le niveau d'acidité volatile, de diminuer l'acidité citrique dans le vin rouge, de conserver ou même de réduire le dioxyde de soufre total, d'ajouter plus de sulfate et d'augmenter la concentration d'alcool dans la limite appropriée.
Recommandations pour les consommateurs
Couleur, Alcool, Odeur sont un bon signal pour la qualité du vin.Choisissez le vin avec une couleur claire. Plus la couleur est foncée, plus le niveau d'acidité est élevé. Mais l'acidité a une relation négative avec le niveau de qualité.Sentez le bouchon avant de l'acheter. L'odeur d'œuf pourri signifie que le vin est malsain, en particulier pour le vin rouge.Choisissez le vin avec une concentration d'alcool plus élevée si vous pouvez accepter.
Référence
Coli, Marina Sonegheti, et al. "Concentration de chlorure dans les vins rouges: influence du terroir et du type de raisin." Science et technologie alimentaires (Campinas) , vol. 35, non. 1, 2015, p. 95-99., doi : 10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. "Le dioxyde de soufre libre dans la bière comme différence entre le dioxyde de soufre total et l'acétaldéhyde : une approche voltamétrique." Journal de l'American Society of Brewing Chemists , Vol. 61, non. 4, 2003, pp. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
