Nivel: Principiante
Y ongxin Cui, Estudiante, Programa de Gestión de Proyectos y Análisis de Negocios, Escuela de Negocios de la Universidad de Connecticut
Tianhao Zhao, Estudiante, Programa de Gestión de Proyectos y Análisis de Negocios, Escuela de Negocios de la Universidad de Connecticut
Xinyin Miao, Estudiante, Programa de Gestión de Proyectos y Análisis de Negocios, Escuela de Negocios de la Universidad de Connecticut
1. Resumen Ejecutivo
Discernir la calidad del vino es especialmente importante para los comerciantes de vino que venden al público en general, ya que por lo general no tienen los recursos para almacenar un gran inventario de vinos y necesitan asegurarse de que su inventario incluya vinos de alta calidad que satisfagan a los consumidores cada vez más exigentes. paladar del público en general. Nuestro equipo decidió utilizar las herramientas de minería de datos disponibles en JMP para examinar si la calidad de un vino, una calificación subjetiva por parte del público, podía predecirse a partir de 11 variables descriptivas (que consisten en mediciones químicas del vino o cálculos comúnmente realizados a partir de esas mediciones). Nuestro objetivo era un modelo parsimonioso, uno con el menor número de variables, que ayudaría a una bodega a producir vino de mayor calidad. Es más, nuestro equipo analizaría la diferencia entre vino tinto y vino blanco. Nuestra conclusión preliminar es que para el vino tinto cuatro variables (acidez volátil, dióxido de azufre total, sulfatos y alcohol) pueden ser predictores suficientes de alta calidad, mientras que para el vino blanco cinco variables (acidez fija, acidez volátil, azúcar residual, sulfatos y alcohol) pueden ser predictores suficientes de alta calidad.
2. Metodología
En esta sección, se utiliza el método SEMMA para explorar los conjuntos de datos de vinos tintos y blancos.
Muestra
Tanto el conjunto de datos de vino tinto como el de vino blanco tienen 12 variables. El conjunto de datos de vino tinto tiene 1599 filas y el conjunto de datos de vino blanco tiene 4898 filas. Para este proyecto, no fue necesario utilizar muestras más pequeñas de estos conjuntos de datos, ya que ambos son lo suficientemente pequeños para procesarlos con los recursos informáticos disponibles y lo suficientemente grandes para contener información significativa.
Explorar
Para cada vino, el conjunto de datos contiene 11 predictores relacionados con las propiedades físicas y químicas del vino y una calificación subjetiva de la calidad del vino. Las variables de medida son todas continuas.La variable de calificación de calidad es ordinal y va de 1 (calidad más baja) a 10 (calidad más alta). Las variables predictoras son todas variables continuas que describen las propiedades físicas o químicas del vino. Inicialmente, se suponía que la densidad tenía una fuerte relación con algunas de las otras variables, como el dióxido de azufre, los sulfatos y otros componentes químicos que podrían influir en la densidad del vino. Además, el informe de la función de distribución en JMP indica que se determinó que cada variable predictora era casi normal, excepto el azúcar residual, que tiene un alto sesgo hacia la izquierda. Si es necesario, el azúcar residual se transformará en el análisis. Las distribuciones ampliamente dispersas de azúcar residual y cloruros también podrían representar u ocultar valores atípicos.
Modificar
( 1) Corregir inconsistencias y errores evidentes
No hay inconsistencias ni errores obvios en los dos conjuntos de datos.
(2) Cambiar el tipo de datos
Idealmente, estos datos determinarían el objetivo, el "nivel de calidad", como una variable continua. Pero esto podría haber causado problemas. Este nivel de calidad debe estar entre 1 y 10 para corresponder a la calificación de calidad subjetiva. Si el nivel de calidad fuera continuo podría dar lugar a resultados poco realistas (niveles de calidad superiores a 10 o inferiores a 0). Hacer que el nivel de calidad sea un ordinal que corresponda a las calificaciones subjetivas no mejoraría las cosas, ya que en ambos casos aún tendría que determinarse un límite entre los vinos de alta y baja calidad. Un único nivel de calidad ordinal binario probablemente sería mejor para los comerciantes si la mayoría de los comerciantes quisieran almacenar una amplia gama de vinos de mejor calidad. Dado que las calificaciones subjetivas de calidad para los vinos tintos y blancos tenían un valor medio de 6, se eligió un nivel de calidad alto si la calificación subjetiva era igual o superior a 6 y bajo si la calificación subjetiva era inferior a 6. El de la izquierda es el nivel de calidad del vino tinto y el de la derecha es el nivel de calidad del vino blanco.
(3) Detectar y tratar valores atípicos
Los valores atípicos o extremos en el conjunto de datos pueden influir en el análisis del resto de los datos. El resultado de Explore Outliers en JMP indica que los dos conjuntos de datos incluyen algunos valores extremos, la mayoría de los cuales se concentran en azúcar residual, cloruros y sulfatos. Además, la función de análisis robusto localiza aún más las filas "extremas". En el vino tinto, las concentraciones de cloruros en las filas 152 y 259 son de 0,61 y 0,611, muy superiores a los valores de las otras filas. La investigación del vino ha demostrado que el cloruro puede dañar la salud de las personas y muchos países establecen límites máximos en las cantidades de cloruros. Por ejemplo, en Australia, el nivel máximo de cloruro permitido es de 607 mg/L, que se establece como el valor umbral de cloruro en este proyecto. Además, existen otros límites legales. La lista es la siguiente.
(4) Manejo del valor faltante
El valor faltante ocurre cuando no hay datos almacenados en las observaciones. Function Explorer Missing Values muestra que no hay valores faltantes en los conjuntos de datos de vino tinto y blanco.
(5) Reducción de datos
Algunas variables pueden contener información similar, e incluirlas podría introducir una complejidad innecesaria en el modelo y quizás incluso hacer que la interpretación sea más difícil o confusa. Antes de realizar el modelo, es necesario excluir cualquier variable que contenga la misma información que otra variable. La función multivariante en JMP identifica relaciones entre variables dependientes.En este proyecto, se supone que dos variables contienen información de superposición potencial si el valor de correlación entre ellas es mayor que 0,6. Entonces, se necesita conocimiento profesional para confirmar la suposición.
Análisis de componentes principales
Otro método para reducir la superposición de información entre variables es el análisis de componentes principales, que puede eliminar la superposición de información entre variables, reducir la redundancia del modelo y permitir que un número menor de variables tenga la capacidad de representar una gran cantidad de información. La función PCA en JMP crea componentes principales que contienen la mayor parte de la información del conjunto de datos con menos variables. En general, se deben elegir componentes principales cuyo valor propio sea mayor que 1. Sin embargo, se supone que se deben usar los primeros siete componentes principales en rojo y blanco, ya que contienen aproximadamente el 90 por ciento de la información.
mi. Modelo de clasificación de aprendizaje supervisado
En este proyecto, se utilizaron regresión logística, árbol de decisión, árbol y bosque de arranque y redes neuronales para hacer el modelo.
(1) Regresión logística
La regresión logística se puede utilizar en el modelo donde las variables de resultado son ordinales o nominales, y este método se usa ampliamente, en particular cuando se pretende que un modelo de estructura explique o prediga. Dado que en este análisis de vino el objetivo es ver si el vino es de alta o baja calidad, la regresión logística es uno de los mejores métodos a utilizar. La función Fit Model en JMP podría dar un informe del modelo. Luego, las variables cuyo valor de p sea superior a 0,05 se eliminarán del modelo si no se influye en la tasa de clasificación errónea. Además, la función Stepwise en el modelo de ajuste podría usarse para encontrar la mejor opción de variable con la validación máxima de R-Square.
(2) Árbol de decisión (partición)
Para el método del árbol de decisión, las variables que no se transforman se ingresan en la función de partición, ya que cualquier transformación monótona de las variables dará como resultado el mismo árbol. El botón Ir en la función Partición se puede usar para encontrar las mejores divisiones automáticamente. Como resultado, la mejor división para el vino tinto es 8 veces y para el vino blanco es 14 veces. Sin embargo, según el historial de división, el valor de R-cuadrado puede ser similar cuando reducimos el número de divisiones a 6 y 8 respectivamente. Este método puede reducir la complejidad del modelo sin afectar su precisión.
(3) Árbol Bootstrap y Bosque Bootstrap
Al igual que el método del árbol de decisión, JMP puede informar el resultado del árbol iniciado y el modelo de bosque iniciado cuando se ingresan variables en la función. Es importante destacar que, para evitar que el modelo forestal se vuelva demasiado complejo, reducimos el tiempo de división máximo de 2000 a 25.
(4) Redes neuronales
La ventaja de las redes neuronales es su potencial para ofrecer un alto rendimiento predictivo. Su estructura admite la captura de relaciones muy complejas entre predictores y una respuesta, lo que a menudo no es posible con otros modelos predictivos. Pero las variables de entrada de la red neuronal deben preseleccionarse ya que la red neuronal no puede seleccionar variables por sí misma. El enfoque común para encontrar la red neuronal con mejor rendimiento es comenzar con un modelo neuronal predeterminado muy simple, con una capa y tres nodos, luego construir un modelo más complejo con dos capas, varios nodos y diferentes funciones de activación, y continuar con este proceso. hasta obtener predicciones satisfactorias.
F. Resultados y acceso
La matriz de comparación indica que Entropy R-Square y Generalized R-Square of the Boosted Forest son los más altos, y RMSE y la tasa de clasificación errónea son los más bajos. Además, la precisión de Booted Forest también es la más alta. Sin embargo, la regresión logística se elige como el mejor modelo, aunque cada parámetro no es el mejor. El parámetro es cercano al de otros modelos. Además, el modelo logístico es simple y los predictores son fáciles de interpretar. Como resultado, se supone que los modelos de regresión logística de rojo y blanco son el mejor modelo.
3. Conclusiones y Recomendaciones
En el vino tinto, el Alcohol, el Azúcar Residual, los Sulfatos y el Dióxido de Azufre Total tienen una Relación Positiva con la alta calidad, mientras que la Acidez Fija y la Acidez Volátil tienen una relación negativa con la alta calidad. En el vino blanco, el Alcohol y el Sulfato tienen una relación positiva con la alta calidad, mientras que la Acidez Volátil, el Ácido Cítrico y el Dióxido de Azufre Total tienen una relación baja con la alta calidad. Las fórmulas del modelo son las siguientes. El de la izquierda el vino tinto mientras que el de la derecha es el vino blanco. (Nota: La fórmula es para baja calidad)
Acidez
Los ácidos son uno de los 4 rasgos fundamentales del vino y le dan un sabor agrio y agrio. La acidez agrega una sensación de vitalidad y frescura al vino y también hace que el sabor del vino sea más prominente. El ácido tiene un efecto apetecible, así que querrás tomar otra taza. En los niveles bajos, aumenta la complejidad del sabor, pero en los niveles altos hace que el vino se eche a perder.
DIÓXIDO DE AZUFRE TOTOL Y SULFATOS
Los sulfitos conservan el vino y retardan las reacciones químicas, lo que hace que el vino se eche a perder. Evita el crecimiento de bacterias y levaduras, manteniendo el sabor fresco del vino. Sin embargo, el alto contenido de dióxido de azufre producirá un olor desagradable como el de un huevo podrido, lo que puede causar problemas de salud después de beber.
AZÚCAR RESIDUAL
El azúcar residual (o RS) proviene de los azúcares naturales de uva que quedan en un vino después de que finaliza la fermentación alcohólica.Puede mejorar uno de los 4 rasgos fundamentales en el vino, la dulzura.
ALCOHOL
El alcohol es también uno de los 4 rasgos fundamentales. Puede mejorar el sistema linfático y muchas veces se manifiesta como una sensación de ardor en la base de la lengua y en la garganta.
Recomendaciones para la fabricación
En el Vino Blanco, es bueno manejar el nivel de Acidez Volátil, disminuir la Acidez Fija, agregar menos azúcares residuales, aumentar tanto el dióxido de azufre como el sulfato, y aumentar la Concentración de alcohol dentro del Límite Adecuado. En el vino tinto, es bueno controlar el nivel de acidez volátil, disminuir la acidez cítrica en el vino tinto, mantener o incluso reducir el dióxido de azufre total, agregar más sulfato y aumentar la concentración de alcohol dentro del límite adecuado.
Recomendaciones para los consumidores
El color, el alcohol y el olor son una buena señal de la calidad del vino.Elige el vino con color claro. Cuanto más oscuro es el color, mayor es el nivel de acidez. Pero la acidez tiene una relación negativa con el nivel de calidad.Huele el corcho antes de comprarlo. El olor a huevo podrido significa que el vino no es saludable, especialmente para el vino tinto.Elija el vino con mayor concentración de alcohol si puede aceptar.
Referencia
Coli, Marina Sonegheti, et al. “Concentración de Cloruros en Vinos Tintos: Influencia del Terroir y Tipo de Uva”. Ciencia y Tecnología de Alimentos (Campinas) , vol. 35, núm. 1, 2015, págs. 95-99., doi:10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. "Dióxido de azufre libre en la cerveza como la diferencia entre el dióxido de azufre total y el acetaldehído: un enfoque voltamétrico". Revista de la Sociedad Estadounidense de Químicos Cerveceros , vol. 61, núm. 4, 2003, págs. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
