レベル: 初心者
よongxin Cui、学生、ビジネス分析およびプロジェクト管理プログラム、コネチカット大学ビジネス スクール
Tianhao Zhao 氏、学生、ビジネス分析およびプロジェクト管理プログラム、コネチカット大学ビジネス スクール
Xinyin Miao 氏、学生、ビジネス分析およびプロジェクト管理プログラム、コネチカット大学ビジネス スクール
1。エグゼクティブサマリー
ワインの品質を見分けることは、一般大衆に販売するワイン商にとって特に重要です。なぜなら、彼らは通常、ワインの膨大な在庫をストックするリソースを持っておらず、ますます目の肥えた人々を満足させる高品質のワインが在庫に含まれていることを確認する必要があるからです。一般人の味覚。 私たちのチームは、JMP で利用可能なデータ マイニング ツールを使用して、一般の人々による主観的な評価であるワインの品質が、11 の記述変数 (ワインの化学測定値またはそれらの測定値から一般的に行われる計算で構成される) から予測できるかどうかを調べることにしました。 私たちの目標は、ワイナリーがより高品質のワインを生産するのに役立つ、変数の数が最小の節約モデルでした。 さらに、私たちのチームは赤ワインと白ワインの違いを分析します。 私たちの暫定的な結論は、赤ワインでは 4 つの変数 (揮発性酸度、総二酸化硫黄、硫酸塩、アルコール) が高品質の十分な予測因子である可能性があるのに対し、白ワインでは 5 つの変数 (固定酸度、揮発性酸度、残糖、硫酸塩、およびアルコール) は、高品質の十分な予測因子である可能性があります。
2. 方法論
このセクションでは、SEMMA メソッドを使用して、赤ワインと白ワインのデータセットを調べます。
サンプル
赤ワインと白ワインの両方のデータセットには 12 個の変数があります。 赤ワインのデータセットには 1599 行、白ワインのデータセットには 4898 行あります。 このプロジェクトでは、これらのデータセットの小さなサンプルを利用する必要はありませんでした。どちらも、利用可能なコンピューター リソースで処理するのに十分小さく、重要な情報を含めるのに十分大きいためです。
探検
データセットには、ワインごとに、ワインの物理的および化学的特性に関連する 11 の予測因子と、ワインの品質の主観的な評価が 1 つ含まれています。 測定変数はすべて連続です。品質評価変数は序数で、範囲は 1 (最低品質) から 10 (最高品質) です。 予測変数はすべて、ワインの物理的または化学的特性を表す連続変数です。 当初、密度は、二酸化硫黄、硫酸塩、およびワインの密度に影響を与える可能性のある他の化学成分など、他の変数のいくつかと強い関係があると考えられていました. さらに、JMP の分布関数のレポートは、左に大きく歪んだ残糖を除いて、各予測変数がほぼ正常であると判断されたことを示しています。 必要に応じて、分析で残留糖が変換されます。 残留糖と塩化物の広く分布する分布も、外れ値を表しているか、または隠している可能性があります。
変更
( 1) 矛盾と明らかな誤りを修正する
2 つのデータセットに矛盾や明らかなエラーはありません。
(2) データ型の変更
理想的には、このデータが目標の「品質レベル」を連続変数として決定します。 しかし、これは問題を引き起こす可能性がありました。 この品質レベルは、主観的な品質評価に対応するために 1 から 10 の間にある必要があります。 品質レベルが連続的である場合、非現実的な結果 (品質レベルが 10 より大きいか 0 より小さい) につながる可能性があります。 どちらの場合も高品質ワインと低品質ワインの境界線を決定する必要があるため、品質レベルを主観的評価に対応する序数にすると、状況は改善されません。 ほとんどの商人が幅広い範囲のより良い品質のワインを在庫したい場合、単一のバイナリ序数品質レベルはおそらく商人にとってより良いでしょう. 赤ワインと白ワインの主観的品質評価の中央値が 6 であるため、主観的評価スコアが 6 以上の場合は品質レベルが高く、主観的評価スコアが 6 未満の場合は品質レベルが低く選択されました。 左が赤ワインの品質水準、右が白ワインの品質水準です。
(3) 外れ値の検出と対処
データセット内の外れ値または極端な値は、残りのデータの分析に影響を与える可能性があります。 JMP の外れ値の調査の結果は、2 つのデータセットにいくつかの極端な値が含まれていることを示しており、そのほとんどは残留糖、塩化物、および硫酸塩に集中しています。 また、ロバスト分析機能はさらに「極端な」行を特定します。 赤ワインでは、行 152 と 259 の塩化物濃度は 0.61 と 0.611 で、他の行の値よりもはるかに高くなっています。 ワインの研究は、塩化物が人々の健康に害を及ぼす可能性があることを示しており、多くの国が塩化物の量に上限を設定しています. たとえば、オーストラリアでは許容される塩化物の最大レベルは 607 mg/L であり、これがこのプロジェクトの塩化物閾値として設定されています。 また、他にもいくつかの法的制限があります。 リストは以下の通り。
(4) 欠損値の扱い
欠損値は、観測にデータが格納されていない場合に発生します。 関数エクスプローラーの欠損値は、赤ワインと白ワインのデータセットに欠損値がないことを示しています。
(5) データ削減
一部の変数には同様の情報が含まれている可能性があり、それらを含めるとモデルが不必要に複雑になり、解釈がより困難または混乱する可能性さえあります。 モデルを作成する前に、別の変数と同じ情報を含む変数を除外する必要があります。 JMP の多変量関数は、従属変数間の関係を識別します。このプロジェクトでは、2 つの変数間の相関値が 0.6 を超える場合、2 つの変数に潜在的な重複情報が含まれていると想定されています。 そして、その仮定を確認するには専門的な知識が必要です。
主成分分析
変数間の重複情報を減らすもう 1 つの方法は主成分分析です。これは、変数間の情報の重複を取り除き、モデルの冗長性を減らし、少数の変数で大量の情報を表現できるようにします。 JMP の PCA 関数は、少ない変数でデータセットのほとんどの情報を含む主成分を作成します。 一般に、固有値が 1 より大きい主成分を選択する必要があります。 ただし、赤と白の最初の 7 つの主成分は、約 90% の情報を含んでいるため、使用することになっています。
e.教師あり学習 - 分類モデル
このプロジェクトでは、ロジスティック回帰、決定木、ブートストラップ ツリーとフォレスト、およびニューラル ネットワークを使用してモデルを作成しました。
(1) ロジスティック回帰
ロジスティック回帰は、結果変数が順序変数または名義変数であるモデルで使用できます。この方法は、特に構造モデルで説明または予測する場合に広く使用されます。 このワイン分析の目的は、ワインが高品質か低品質かを確認することであるため、ロジスティック回帰は使用する最良の方法の 1 つです。 JMP のモデル適合機能は、モデルのレポートを提供できます。 次に、誤分類率に影響がなければ、p 値が 0.05 より大きい変数はモデルから削除されます。 また、適合モデルのステップワイズ関数を使用して、最大 R-2 乗検証で最適な変数の選択を見つけることができます。
(2)決定木(パーティション)
ディシジョン ツリー法では、変数を単調に変換すると同じツリーが得られるため、変換されていない変数がパーティション関数に入力されます。 分割機能の [実行] ボタンを使用して、最適な分割を自動的に見つけることができます。 その結果、最適な分割は赤ワインで 8 回、白ワインで 14 回です。 ただし、分割履歴に基づいて、分割数をそれぞれ 6 と 8 に減らすと、R 2 乗の値は類似する可能性があります。 この方法により、モデルの精度に影響を与えることなく、モデルの複雑さを軽減できます。
(3) ブートストラップ ツリーとブートストラップ フォレスト
決定木法と同様に、変数が関数に入力されると、JMP はブート ツリーおよびブート フォレスト モデルの結果をレポートできます。 重要なのは、フォレスト モデルが複雑になりすぎないようにするために、最大分割時間を 2000 から 25 に減らしたことです。
(4) ニューラルネットワーク
ニューラル ネットワークの利点は、高い予測性能を提供できることです。 それらの構造は、他の予測モデルではしばしば不可能な、予測子と応答の間の非常に複雑な関係の捕捉をサポートします。 ただし、ニューラル ネットワークはそれ自体で変数を選択できないため、ニューラル ネットワークの入力変数は事前に選択する必要があります。 最もパフォーマンスの高いニューラル ネットワークを見つけるための一般的なアプローチは、1 つの層と 3 つのノードを持つ非常に単純なデフォルトのニューラル モデルから始めて、2 つの層、複数のノード、および異なる活性化関数を持つより複雑なモデルを構築し、このプロセスを続けることです。満足のいく予測が得られるまで。
f.結果とアクセス
比較行列は、Boosted Forest の Entropy R-Square と Generalized R-Square が最も高く、RMSE と誤分類率が最も低いことを示しています。 また、Booted Forest の命中率も最高です。 ただし、各パラメーターが最適ではないにもかかわらず、ロジスティック回帰が最適なモデルとして選択されます。 パラメータは他のモデルのパラメータに近いです。 さらに、ロジスティック モデルは単純であり、予測因子は解釈しやすいです。 その結果、赤と白のロジスティック回帰モデルが最適なモデルになるはずです。
3. 結論と提言
赤ワインでは、アルコール、残糖、硫酸塩、総二酸化硫黄が高品質と正の関係にあり、固定酸度と揮発性酸度が高品質と負の関係にあります。 白ワインでは、アルコール、硫酸塩は高品質と正の関係がありますが、揮発性酸度、クエン酸、総二酸化硫黄は高品質との関係が低くなっています。 モデル式は以下の通りです。 左が赤ワイン、右が白ワインです。 （注：数式は低品質用です）
酸度
酸はワインの 4 つの基本的な特徴の 1 つで、ワインに酸味と酸味を与えます。 酸味はワインに活力と爽快感を与え、ワインの風味をより際立たせます。 酸味には食欲をそそる効果があるので、もう一杯飲みたくなる。 低レベルではフレーバーの複雑さが増しますが、高レベルではワインが腐敗します。
トトール二酸化硫黄および硫酸塩
亜硫酸塩はワインを保存し、ワインの劣化の原因となる化学反応を遅らせます。 バクテリアや酵母の増殖を抑え、ワインのフレッシュな味わいを保ちます。 ただし、二酸化硫黄の含有量が多いため、腐った卵のような不快な臭いが発生し、飲酒後に健康上の問題を引き起こす可能性があります.
残糖
残糖 (または RS) は、アルコール発酵が終了した後にワインに残った天然のブドウ糖です。ワインの 4 つの基本的な特性の 1 つである甘さを改善することができます。
アルコール
アルコールも 4 つの基本的特性の 1 つです。 リンパの流れを改善することができ、舌の付け根や喉の灼熱感として現れることがよくあります。
製造に関する推奨事項
白ワインでは、揮発酸度を管理し、固定酸度を下げ、残糖を少なくし、二酸化硫黄と硫酸塩の両方を増やし、アルコール濃度を適正限度内に上げるのが良い. 赤ワインでは、揮発性酸度レベルを管理し、赤ワインのクエン酸度を下げ、総二酸化硫黄を維持または削減し、硫酸塩を追加し、アルコール濃度を適切な制限内に上げることが適切です.
消費者への推奨事項
色、アルコール、香りは、ワインの品質の良いシグナルです。明るい色のワインを選んでください。 色が濃いほど酸度が高い。 しかし、酸度は品質レベルと負の関係にあります。コルクの匂いを嗅いでから購入してください。 腐った卵のにおいは、ワインが不健康であることを意味し、特に赤ワインには不健康です.よろしければアルコール度数の高いワインをお選びください。
参照
コリ、マリーナ・ソネゲティ 他「赤ワインの塩化物濃度：テロワールとブドウの種類の影響」。食品科学技術 (カンピナス) 、Ｖｏｌ． 35、いいえ。 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、等。 「総二酸化硫黄とアセトアルデヒドの差としてのビール中の遊離二酸化硫黄：ボルタンメトリー法」。米国醸造化学者協会誌、Ｖｏｌ． 61、いいえ。 4, 2003, pp. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
