Livello: principiante
Y ongxin Cui, studente, programma di analisi aziendale e gestione dei progetti, University of Connecticut School of Business
Tianhao Zhao, studente, programma di analisi aziendale e gestione dei progetti, University of Connecticut School of Business
Xinyin Miao, studente, programma di analisi aziendale e gestione dei progetti, University of Connecticut School of Business
1. Riepilogo esecutivo
La qualità del vino perspicace è particolarmente importante per i commercianti di vino che vendono al pubblico in generale, poiché di solito non hanno le risorse per immagazzinare un enorme inventario di vini e devono essere sicuri che il loro inventario includa vini di alta qualità che soddisfino i consumatori sempre più esigenti palato del grande pubblico. Il nostro team ha deciso di utilizzare gli strumenti di data mining disponibili in JMP per esaminare se la qualità di un vino, una valutazione soggettiva da parte del pubblico, potesse essere prevista da 11 variabili descrittive (costituite da misurazioni chimiche del vino o calcoli comunemente effettuati da tali misurazioni). Il nostro obiettivo era un modello parsimonioso, uno con il minor numero di variabili, che avrebbe aiutato un'azienda vinicola a produrre vino di qualità superiore. Inoltre, il nostro team analizzerebbe la differenza tra vino rosso e vino bianco. La nostra conclusione preliminare è che per il vino rosso quattro variabili (acidità volatile, anidride solforosa totale, solfati e alcol) possono essere sufficienti predittori di alta qualità, mentre per il vino bianco cinque variabili (acidità fissa, acidità volatile, zucchero residuo, solfati e alcool) possono essere predittori sufficienti di alta qualità.
2. Metodologia
In questa sezione, il metodo SEMMA viene utilizzato per esplorare i set di dati del vino rosso e bianco.
Campione
Sia il set di dati del vino rosso che quello del vino bianco hanno 12 variabili. Il set di dati del vino rosso ha 1599 righe e il set di dati del vino bianco ha 4898 righe. Per questo progetto non è stato necessario utilizzare campioni più piccoli di questi set di dati poiché entrambi sono abbastanza piccoli da poter essere elaborati con le risorse informatiche disponibili e abbastanza grandi da contenere informazioni significative.
Esplorare
Per ogni vino, il set di dati contiene 11 predittori relativi alle proprietà fisiche e chimiche del vino e una valutazione soggettiva della qualità del vino. Le variabili di misura sono tutte continue.La variabile di valutazione della qualità è ordinale e va da 1 (qualità minima) a 10 (qualità massima). Le variabili predittive sono tutte variabili continue che descrivono le proprietà fisiche o chimiche del vino. Inizialmente, la densità doveva avere una forte relazione con alcune delle altre variabili, come l'anidride solforosa, i solfati e altri componenti chimici che potevano influenzare la densità del vino. Inoltre, il rapporto della funzione di distribuzione in JMP indica che ciascuna variabile predittiva è stata determinata come quasi normale, ad eccezione dello zucchero residuo, che è fortemente inclinato a sinistra. Se necessario lo zucchero residuo sarà trasformato nell'analisi. Le distribuzioni ampiamente diffuse di zucchero residuo e cloruri potrebbero anche rappresentare o nascondere valori anomali.
Modificare
( 1) Correggere incongruenze ed errori evidenti
Non ci sono incongruenze ed errori evidenti nei due set di dati.
(2) Modificare il tipo di dati
Idealmente, questi dati determinerebbero l'obiettivo, il "livello di qualità", come variabile continua. Ma questo avrebbe potuto portare a problemi. Questo livello di qualità deve essere compreso tra 1 e 10 per corrispondere alla valutazione di qualità soggettiva. Se il livello di qualità fosse continuo potrebbe portare a risultati non realistici (livelli di qualità superiori a 10 o inferiori a 0). Rendere il livello qualitativo un ordinale che corrispondesse ai giudizi soggettivi non migliorerebbe le cose poiché in entrambi i casi bisognerebbe comunque determinare una linea di demarcazione tra vini di alta e bassa qualità. Un singolo livello di qualità ordinale binario sarebbe probabilmente migliore per i commercianti se la maggior parte dei commercianti volesse immagazzinare una vasta gamma di vini di migliore qualità. Poiché le valutazioni di qualità soggettive per i vini rossi e bianchi avevano un valore mediano di 6, è stato scelto un livello di qualità alto se il punteggio di valutazione soggettiva era uguale o superiore a 6 e basso se il punteggio di valutazione soggettiva era inferiore a 6. Quello di sinistra è il livello di qualità del vino rosso e quello di destra è il livello di qualità del vino bianco.
(3) Rilevare e gestire i valori anomali
I valori anomali o i valori estremi nel set di dati potrebbero influenzare l'analisi del resto dei dati. Il risultato di Explore Outliers in JMP indica che i due set di dati includono alcuni valori estremi, la maggior parte dei quali sono concentrati nello zucchero residuo, nei cloruri e nei solfati. Inoltre, la funzione Robust Analysis individua ulteriormente le righe "estreme". Nel vino rosso, la concentrazione di cloruri nelle righe 152 e 259 è 0,61 e 0,611, che sono molto più elevate dei valori nelle altre righe. La ricerca sul vino ha dimostrato che il cloruro può nuocere alla salute delle persone e molti paesi fissano limiti massimi sulle quantità di cloruri. Ad esempio, in Australia il livello massimo consentito di cloruro è di 607 mg/L, che è fissato come valore soglia di cloruro in questo progetto. Inoltre, ci sono altri limiti legali. L'elenco è come di seguito.
(4) Gestione del valore mancante
Il valore mancante si verifica quando nessun dato è memorizzato nelle osservazioni. Function Explorer Missing Values mostra che non ci sono valori mancanti nei set di dati del vino rosso e bianco.
(5) Riduzione dei dati
Alcune variabili potrebbero contenere informazioni simili e includerle potrebbe introdurre una complessità non necessaria nel modello e forse persino rendere l'interpretazione più difficile o confusa. Prima di realizzare il modello, è necessario escludere qualsiasi variabile che contenga le stesse informazioni di un'altra variabile. La funzione multivariata in JMP identifica le relazioni tra le variabili dipendenti.In questo progetto, due variabili dovrebbero contenere potenziali informazioni di sovrapposizione se il valore di correlazione tra loro è maggiore di 0,6. Quindi, è necessaria la conoscenza professionale per confermare l'ipotesi.
Analisi delle componenti principali
Un altro metodo per ridurre la sovrapposizione di informazioni tra variabili è l'Analisi delle Componenti Principali, che può rimuovere la sovrapposizione di informazioni tra variabili, ridurre la ridondanza del modello e consentire a un numero minore di variabili di avere la capacità di rappresentare un'enorme quantità di informazioni. La funzione PCA in JMP crea componenti principali contenenti la maggior parte delle informazioni del set di dati con meno variabili. In generale, dovrebbero essere scelte le componenti principali il cui autovalore è maggiore di 1. Tuttavia, i primi sette componenti principali del rosso e del bianco dovrebbero essere utilizzati poiché contengono circa il 90% delle informazioni.
e. Modello di classificazione dell'apprendimento supervisionato
In questo progetto, per creare il modello sono stati utilizzati la regressione logistica, l'albero delle decisioni, l'albero e la foresta di bootstrap e le reti neurali.
(1) Regressione logistica
La regressione logistica può essere utilizzata nel modello in cui le variabili di risultato sono ordinali o nominali e questo metodo è ampiamente utilizzato, in particolare quando un modello di struttura ha lo scopo di spiegare o prevedere. Poiché in questa analisi del vino l'obiettivo è vedere se il vino è di alta qualità o di bassa qualità, la regressione logistica è uno dei migliori metodi da utilizzare. La funzione Fit Model in JMP potrebbe fornire un report del modello. Quindi, le variabili il cui valore p è maggiore di 0,05 verranno rimosse dal modello se il tasso di errata classificazione non viene influenzato. Inoltre, la funzione Stepwise nel modello di adattamento potrebbe essere utilizzata per trovare la migliore scelta variabile con la convalida R-Square massima.
(2) Albero decisionale (partizione)
Per il metodo dell'albero decisionale, le variabili che non vengono trasformate vengono inserite nella funzione di partizione, poiché qualsiasi trasformazione monotona delle variabili darà lo stesso albero. Il pulsante Vai nella funzione Partizione può essere utilizzato per trovare automaticamente i migliori split. Di conseguenza, la suddivisione migliore per il vino rosso è 8 volte e per il vino bianco è 14 volte. Tuttavia, in base alla cronologia delle divisioni, il valore di R-quadrato può essere simile quando riduciamo il numero di divisioni rispettivamente a 6 e 8. Questo metodo può ridurre la complessità del modello senza comprometterne l'accuratezza.
(3) Albero Bootstrap e Foresta Bootstrap
Analogamente al metodo dell'albero decisionale, JMP può riportare il risultato dell'albero avviato e del modello di foresta avviato quando le variabili vengono immesse nella funzione. È importante sottolineare che, al fine di evitare che il modello forestale diventi troppo complesso, riduciamo il tempo parziale massimo da 2000 a 25.
(4) Reti neurali
Il vantaggio delle reti neurali è il loro potenziale per fornire elevate prestazioni predittive. La loro struttura supporta l'acquisizione di relazioni molto complesse tra i predittori e una risposta, cosa che spesso non è possibile con altri modelli predittivi. Ma le variabili di input della rete neurale devono essere preselezionate poiché la rete neurale non può selezionare le variabili da sola. L'approccio comune per trovare la rete neurale con le migliori prestazioni consiste nell'iniziare con un modello neurale predefinito molto semplice, con un livello e tre nodi, quindi creare un modello più complesso con due livelli, diversi nodi e diverse funzioni di attivazione e continuare questo processo finché non si ottengono previsioni soddisfacenti.
f. Risultati e accesso
La matrice di confronto indica che l'Entropy R-Square e l'R-Square generalizzato della foresta potenziata sono i più alti, mentre l'RMSE e il tasso di errata classificazione sono i più bassi. Inoltre, anche la precisione di Booted Forest è la più alta. Tuttavia, la regressione logistica viene scelta come modello migliore, anche se ogni parametro non è il migliore. Il parametro è vicino a quello di altri modelli. Inoltre, il modello logistico è semplice ei predittori sono facili da interpretare. Di conseguenza, i modelli di regressione logistica del rosso e del bianco dovrebbero essere il modello migliore.
3. Conclusioni e Raccomandazioni
Nel vino rosso, Alcool, Zuccheri Residui, Solfati e Anidride Solforosa Totale hanno un Rapporto Positivo con l'alta qualità, mentre Acidità Fissa e Acidità Volatile hanno un rapporto negativo con l'alta qualità. Nel vino bianco, l'alcool e il solfato hanno un rapporto positivo con l'alta qualità, mentre l'acidità volatile, l'acido citrico e l'anidride solforosa totale hanno un rapporto basso con l'alta qualità. Le formule del modello sono le seguenti. Quello di sinistra il vino rosso mentre quello di destra è il vino bianco. (Nota: la formula è per la bassa qualità)
Acidità
Gli acidi sono uno dei 4 tratti fondamentali del vino e conferiscono al vino un sapore aspro e aspro. L'acidità aggiunge un senso di vitalità e freschezza al vino e rende anche più prominente il sapore del vino. L'acido ha un effetto appetitoso, quindi vuoi avere un'altra tazza. A livelli bassi, aggiunge complessità al sapore, ma a livelli alti provoca il deterioramento del vino.
TOTOL ANIDRIDE SOLFOROSA E SOLFATI
I solfiti preservano il vino e rallentano le reazioni chimiche, che fanno andare a male il vino. Impedisce la crescita di batteri e lieviti, mantenendo il gusto fresco del vino. Tuttavia, l'alto contenuto di anidride solforosa produrrà un odore sgradevole come un uovo marcio, che può causare problemi di salute dopo aver bevuto.
ZUCCHERI RESIDUI
Lo zucchero residuo (o RS) proviene dagli zuccheri naturali dell'uva rimasti in un vino al termine della fermentazione alcolica.Può migliorare uno dei 4 tratti fondamentali del vino, la dolcezza.
ALCOOL
L'alcol è anche uno dei 4 tratti fondamentali. Può migliorare il sistema linfatico e spesso si manifesta con una sensazione di bruciore alla base della lingua e alla gola.
Raccomandazioni per la fabbricazione
Nel vino bianco è bene gestire il livello di acidità volatile, diminuire l'acidità fissa, aggiungere meno zuccheri residui, aumentare sia l'anidride solforosa che i solfati e aumentare la concentrazione di alcol entro il giusto limite. Nel vino rosso, è bene gestire il livello di acidità volatile, diminuire l'acidità citrica nel vino rosso, mantenere o addirittura ridurre l'anidride solforosa totale, aggiungere più solfato e aumentare la concentrazione di alcol entro il limite appropriato.
Raccomandazioni per i consumatori
Colore, Alcool, Odore sono un buon segnale per la qualità del vino.Scegli il vino dal colore chiaro. Più scuro è il colore, maggiore è il livello di acidità. Ma l'acidità ha un rapporto negativo con il livello qualitativo.Annusa il tappo prima di acquistarlo. L'odore di uova marce significa che il vino non è salutare soprattutto per il vino rosso.Scegli il vino con la concentrazione alcolica più alta se puoi accettare.
Riferimento
Coli, Marina Sonegheti, et al. "Concentrazione di cloruro nei vini rossi: influenza del terroir e del tipo di uva". Scienze e Tecnologie Alimentari (Campinas) , vol. 35, n. 1, 2015, pp. 95-99., doi:10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. "Anidride solforosa libera nella birra come differenza tra anidride solforosa totale e acetaldeide: un approccio voltammetrico". Giornale dell'American Society of Brewing Chemists , vol. 61, n. 4, 2003, pp. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
