級別：初級
是ongxin Cui，康乃狄克大學商學院商業分析與專案管理專案學生
趙天浩，康乃狄克大學商學院商業分析與專案管理專案學生
Xinyin Miao，康乃狄克大學商學院商業分析與專案管理專案學生
1。執行摘要
對於向大眾銷售葡萄酒的酒商來說，辨別葡萄酒的品質尤其重要，因為他們通常沒有資源來儲存大量的葡萄酒，並且需要確保他們的庫存包括滿足越來越多挑剔的消費者的高品質葡萄酒。大眾的口味。 我們的團隊決定使用 JMP 中提供的資料探勘工具來檢查葡萄酒的品質（公眾的主觀評級）是否可以透過 11 個描述性變數（包括葡萄酒化學測量值或通常根據這些測量值進行的計算）來預測。 我們的目標是建立一個簡約的模型，即變數數量最少的模型，這將有助於釀酒廠生產更高品質的葡萄酒。 更重要的是，我們的團隊會分析紅酒和白酒的差異。 我們的初步結論是，對於紅酒來說，四個變數（揮發性酸度、總二氧化硫、硫酸鹽和酒精）可能足以預測高質量，而對於白酒來說，五個變數（固定酸度、揮發性酸度、殘留糖、硫酸鹽和酒精）可能足以預測高品質。酒精）可能足以預測高品質。
2. 方法論
在本節中，SEMMA方法用於探索紅葡萄酒和白葡萄酒數據集。
樣本
紅酒和白酒資料集都有 12 個變數。 紅酒資料集有 1599 行，白酒資料集有 4898 行。 對於該項目，沒有必要使用這些資料集的較小樣本，因為它們都足夠小，可以用可用的電腦資源進行處理，並且足夠大，可以包含重要資訊。
探索
對於每種葡萄酒，資料集包含 11 個與葡萄酒的物理和化學特性相關的預測變數以及一個葡萄酒品質的主觀評級。 測量變數都是連續的。品質評級變數是有序的，範圍從 1（最低品質）到 10（最高品質）。 預測變數都是描述葡萄酒的物理或化學特性的連續變數。 最初，密度被認為與其他一些變數有很強的關係，例如二氧化硫、硫酸鹽和其他可能影響葡萄酒密度的化學成分。 此外，JMP 中的分佈函數報告表明，除了高度左偏的殘糖之外，每個預測變數都被確定為幾乎正態。 如有必要，殘留糖將在分析中轉化。 殘留糖和氯化物的廣泛分佈也可能代表或隱藏異常值。
調整
（ 1）糾正不一致和明顯錯誤
兩個數據集不存在不一致和明顯錯誤。
(2)改變資料類型
理想情況下，這些數據將確定目標「品質水準」作為連續變數。 但這可能會導致問題。 此品質等級必須介於 1 到 10 之間，以對應主觀品質評級。 如果品質水準是連續的，則可能會導致不切實際的結果（品質水準大於 10 或小於 0）。 將品質等級設為與主觀評級相對應的序數並不會讓事情變得更好，因為在這兩種情況下，仍然需要確定高品質和低品質葡萄酒之間的界限。 如果大多數商人想要儲備各種品質更好的葡萄酒，那麼單一的二元序數品質水平可能對商人來說更好。 由於紅酒和白酒的主觀品質評分的中位數為6，因此如果主觀評分等於或大於6，則選擇品質水準為高，如果主觀評分低於6，則選擇品質水準為低。 左圖為紅酒品質等級，右圖為白酒品質等級。
(3)異常值的檢測與處理
資料集中的異常值或極值可能會影響其餘資料的分析。 JMP中探索異常值的結果表明，兩個資料集都包含一些極端值，其中大部分集中在殘留糖、氯化物和硫酸鹽中。 此外，穩健分析功能還可以進一步定位「極端」行。 在紅酒中，第152行和第259行的氯化物濃度分別為0.61和0.611，遠高於其他行的值。 葡萄酒研究表明，氯化物會危害人們的健康，許多國家對氯化物的含量設定了上限。 例如，澳洲允許的氯化物最高含量為607 mg/L，本計畫將其設定為氯化物閾值。 此外，還有一些其他法律限制。 名單如下。
(4) 缺失值的處理
當觀測值中沒有儲存資料時，就會出現缺失值。 Function Explorer Missing Values 顯示紅酒和白酒資料集中沒有缺失值。
(5) 資料縮減
某些變數可能包含類似的訊息，並且包含它們可能會給模型帶來不必要的複雜性，甚至可能使解釋更加困難或混亂。 在建立模型之前，有必要排除與另一個變數包含相同資訊的任何變數。 JMP 中的多元函數可辨識因變數之間的關係。在這個項目中，如果兩個變數之間的相關值大於0.6，則認為它們包含潛在的重疊資訊。 那就需要專業知識來證實這個假設。
主成分分析
另一種減少變數之間資訊重疊的方法是主成分分析，它可以消除變數之間資訊的重疊，減少模型的冗餘度，讓較少的變數具有代表大量資訊的能力。 JMP 中的 PCA 函數使用較少的變數建立包含資料集大部分資訊的主成分。 一般情況下，應選擇特徵值大於1的主成分。 然而，應該使用紅色和白色的前七個主成分，因為它們包含大約 90% 的信息。
e.監督學習-分類模型
在這個專案中，使用邏輯回歸、決策樹、引導樹和森林以及神經網路來建立模型。
(1)邏輯迴歸
邏輯迴歸可用於結果變數為序數或名目變數的模型，並且該方法被廣泛使用，特別是在結構模型旨在解釋或預測的情況下。 由於在此葡萄酒分析中，目標是了解葡萄酒的品質是高品質還是低品質，因此邏輯迴歸是最好的方法之一。 JMP中的擬合模型功能可以給出模型的報告。 然後，如果誤分類率不受影響，則 p 值大於 0.05 的變數將從模型中刪除。 此外，擬合模型中的逐步函數可用於透過最大 R 方驗證找到最佳變數選擇。
(2)決策樹(分區)
對於決策樹方法，未變換的變數被輸入到劃分函數中，因為變數的任何單調變換都會給出相同的樹。 分區功能中的執行按鈕可用於自動尋找最佳分割。 因此，紅酒的最佳分割次數是8次，白酒的最佳分割次數是14次。 然而，根據分割歷史，當我們將分割數分別減少到 6 和 8 時，R 方的值可以相似。 此方法可以在不影響模型精度的情況下降低模型的複雜度。
(3) Bootstrap樹和Bootstrap森林
與決策樹方法一樣，當在函數中輸入變數時，JMP 可以報告引導樹和引導林模型的結果。 重要的是，為了防止森林模型變得過於複雜，我們將最大分割時間從 2000 減少到 25。
(4) 神經網絡
神經網路的優點在於它們具有提供高預測性能的潛力。 它們的結構支援捕捉預測變數和反應之間非常複雜的關係，這通常是其他預測模型不可能實現的。 但神經網路的輸入變數必須預先選擇，因為神經網路無法自行選擇變數。 尋找性能最佳的神經網路的常見方法是從一個非常簡單的預設神經模型開始，具有一層和三個節點，然後建立一個具有兩層、多個節點和不同激活函數的更複雜的模型，並繼續此過程直到得到滿意的預測結果。
F。結果和訪問
比較矩陣表明，Boosted Forest 的熵 R 方和廣義 R 方最高，RMSE 和誤分類率最低。 而且靴子森林的準確度也是最高的。 然而，邏輯迴歸被選為最佳模型，儘管它的每個參數都不是最好的。 此參數與其他型號接近。 此外，邏輯模型很簡單，預測變數也很容易解釋。 因此，紅色和白色的邏輯迴歸模型應該是最好的模型。
3 結論與建議
紅酒中，酒精度、殘糖度、硫酸鹽、總二氧化硫與優質度呈正相關，而固定酸度、揮發酸度與優質度呈負相關。 在白葡萄酒中，酒精度和硫酸鹽與高品質呈正相關，而揮發酸度、檸檬酸和總二氧化硫與高品質呈低相關。 模型公式如下。 左邊的是紅酒，右邊的是白酒。 （註：此公式適用於低品質）
酸度
酸是葡萄酒的 4 個基本特徵之一，賦予葡萄酒酸味和酸味。 酸度為葡萄酒增添了活力和清爽感，也使葡萄酒的風味更加突出。 酸有開胃的作用，所以你想再喝一杯。 在低濃度下，它會增加風味的複雜性，但在高濃度下，它會導致葡萄酒變質。
總酚二氧化硫和硫酸鹽
亞硫酸鹽可以保存葡萄酒並減緩化學反應，導致葡萄酒變質。 阻止細菌和酵母菌的生長，保持葡萄酒的新鮮風味。 但二氧化硫含量較高，會產生類似臭雞蛋的難聞氣味，飲用後可能會引發健康問題。
殘糖
殘留糖（或 RS）是酒精發酵完成後葡萄酒中殘留的天然葡萄糖。它可以改善葡萄酒的四個基本特性之一：甜度。
酒精
酒精也是四個基本特徵之一。 它可以改善淋巴系統，通常表現為舌根和喉嚨的灼熱感。
製造建議
在白葡萄酒中，最好控制揮發性酸度，降低固定酸度，減少殘留糖的添加，增加二氧化硫和硫酸鹽，並在適當的限度內提高酒精濃度。 在紅酒中，最好控制揮發酸水平，降低紅酒中的檸檬酸度，保持甚至減少總二氧化硫，添加更多的硫酸鹽，並在適當的限度內提高酒精濃度。
對消費者的建議
顏色、酒精度、氣味是葡萄酒品質的良好訊號。選擇顏色淺的酒。 顏色越深，酸度越高。 但酸度與品質水準呈負相關。購買前先聞聞軟木塞的味道。 臭雞蛋味意味著這種酒不健康，尤其是紅酒。如果你能接受的話，就選擇酒精濃度較高的酒。
參考
大腸桿菌，瑪麗娜·索尼蓋蒂 (Marina Sonegheti) 等人。 “紅葡萄酒中的氯化物濃度：風土和葡萄類型的影響。”食品科學與技術（坎皮納斯） ，卷。 35，沒有。 1，2015 年，第 95-99 頁，doi：10.1590/1678-457x.6493。
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
阿爾梅達，PJ，等人。 “啤酒中的遊離二氧化硫與總二氧化硫和乙醛之間的差異：伏安法。”美國釀酒化學家協會雜誌，卷。 61，沒有。 2003 年 4 月，第 191-195 頁，doi:10:1094/asbcj-61-0191。
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
