揚聲器
|
成績單
|
| 陳梅森 |
大家好，我是 Mason，今天我將介紹餃子烹飪項目，在該項目中我們研究了數據結構、餃子物理和 RSM 結果之間的關係。 |
| |
該項目背後的動機是 COVID-19 增加了對遠程烹飪的需求，隨著技術應用的不斷普及，食品行業中的人工智能和機器人技術將發揮越來越重要的作用。 |
| |
但大多數食物都是在沒有精確控制烹飪參數的情況下製作的，因為我們依靠廚師的專業知識來製作一致的菜餚。 |
| |
但如果機器人在做飯，質量控制和效率會更重要，所以我們決定使用蒸餃作為一道簡單、營養但美味的菜餚，根據餃子的上升時間來準備最佳食譜。 |
| |
所以我之前說過，我們做了一個餃子實驗，但是由於原料短缺，我們在實驗過程中不得不換一種不同的肉。 |
| |
因此，當我們評估 DOE 設計時，它不是正交的，因為存在一些主要的混淆 ???。 |
| |
當我們嘗試使用這些數據運行 RSM 結果時，還有一個潛在的異常值，特別是運行 #6，我們想進一步研究它。 |
| |
所以我們這個項目的第一個目標是從糾正（？）的角度來解決短缺問題 |
| |
看看我們是否可以保存DSD結構。 我們將通過首先更改肉類類型來做到這一點，肉類類型最初是由豬肉或蝦組成的兩級分類變量 |
| |
到一個連續變量，這樣我們就可以在這三個運行中使用不同百分比的肉類類型，我們使用不同的蝦和豬肉混合物。 |
| |
然後我們將使用各種評估工具評估這種新的 DSD 設計的數據結構。 |
| |
好吧，由於基於這些工具的 DSD 結構沒有問題，我們決定運行一個 RSM 模型，看看它的結果是否符合我們關於對流和傳導的科學研究。 |
| |
如果 DSD 結構有問題，我們可能會收到一些科學無法解釋的錯誤相互作用 |
| |
由於缺乏正交性，我們期望從科學中得到的相互作用可能會被隱藏起來。 |
| |
我們的第二個目標是找到一個好的 DSD 模型來解決成分短缺問題 |
| |
是更具預防性的方法，我們想研究潛在異常值的影響和 ??? 通過修改設置來構建 DSD。 |
| |
異常值的影響可以幫助我們更好地理解測量控制的重要性和一個問題......同時研究DSD結構 |
| |
將讓我們知道混淆結構將如何影響我們的結果，甚至在未來運行我們的實驗之前。 |
| |
因此，我們將通過修改和比較來自作為潛在異常值的 Run #6 和 Run #9（我們的中心點）的因子設置和響應來完成第二個目標，並研究模型結果是否是由於確認數據結構，或者它是否可以用物理學來解釋。 |
| |
所以原始設計表在右側，我們替換的設計表是運行#3、4 和 9，以橙色突出顯示。 |
| |
再次運行#9，這是中心點，因此替換可能會影響模型正交性，例如我們正在尋找的平均預測方差。 原始運行使用豬肉和蝦的分類肉類，所以我們保留了設置 |
| |
蝦，即使在這三個運行中，我們不得不用一些蝦代替豬肉。 |
| |
左側的彩色地圖顯示了一些混雜組，所以藍色表示沒有混雜，這兩個術語之間的相關性為零， |
| |
深紅色表示嚴重的混雜和高度相關，這就是為什麼對角線將始終為 1，因為每個變量是......每個項與自身 100% 相關。 所以有一些分辨率線？？？影響混雜。 |
| |
和 |
| |
......對於肉類類型，尤其是大約 0.3 的相關性，我們有一些嚴重的解決方案 IV，即交互交互複合風險，因為其中一些，例如紅色塊大於 0.5 相關性。 所以我們不應該 |
| |
從這裡運行 RSM 模型，因為我們的數據本身不能被嚴重混淆，所以在我們繼續運行模型之前，我們需要改進 RSM ......數據結構。 但是我們如何在不重新收集數據的情況下解決這個問題呢？ |
| |
因此，由於肉類類型分類存在混淆問題，我們應該考慮替代肉類類型，我們決定將肉類類型從分類更改為連續。 |
| |
我們基本上將變量更改為蝦百分比，因此之前全是蝦的肉類類型更改為 100%，而全是豬肉的肉類類型更改為 0%。 |
| |
對於三種替代肉類，我們根據我們可以回憶起當天在超市購買的總肉類的訂單歷史來估計真實的百分比值，即 70%、40% 和 65%。 |
| |
然後，我們再次運行相關性的顏色圖，並查看功效分析以評估數據結構是否更加正交。 |
| |
主效應的功效分析均大於 0.9，這意味著我們可以檢測到這些變量的顯著效應的可能性大於 90%。 |
| |
此外，顏色圖表示分辨率 1 混雜略有降低，因為它的陰影更藍，尤其是對於連續肉類。 |
| |
而且分辨率 4 的混雜變化不大，所以我們會選擇堅持這個模型，因為明顯的正交性還不錯，稍後當你運行 RSM 時，我們將返回顏色圖檢查是否有任何交互可能是由於一個令人困惑的問題。 |
| |
所以接下來我們看一下預測方差分佈，它表示不同因素水平的預測方差。 |
| |
現在，實際的預測概況取決於響應誤差和取決於設計和因子設置的數量。 |
| |
但是對於這個預測方差剖面，Y 軸是預測的相對方差，即實際方差除以響應方差 |
| |
這樣響應方差就被抵消了，預測方差分佈只取決於 DSD 結構而不是響應。 |
| |
所以上圖是中心點的平均方差，下圖是最大方差，所以我們需要同時查看兩者，因為平均方差表示有關整個設計的更多信息， |
| |
最大方差告訴您有關最壞情況點的信息。 所以平均方差是運行#9 |
| |
在 Run #9 的設置下，我們不得不用一些肉來代替。 在第 9 次運行時，方差為 0.06，這還算不錯，並且方差關於中心點對稱，這意味著替換不會嚴重影響它們的模型正交性。 |
| |
預測方差在拐角處總是最大的，因為您不想對拐角進行預測，因為它周圍的點較少，而最佳運行通常在中心附近 |
| |
預測方差最小。 對於最大方差，您可以看到曲線對於餃子重量和肉類型有點不對稱。 |
| |
這個是 Run #18，但沒有什麼特別之處，所以應該沒什麼大不了的。 因此，由於這種 DSD 結構沒有什麼特別突出的，我們將繼續運行 RSM 模型以用於連續肉類類型。 |
| |
因此，我們基於 p 值使用逐步進展和混合選擇來運行 RSM 模型。 我們選擇了逐步推進而不是普通的最小二乘回歸，因為最小二乘 |
| |
至少需要與術語相同的運行次數，並且我們沒有足夠的運行來估計所有術語。 |
| |
所以三個重要的平均效應是水溫、餃子重量和批次大小。 並且我們有水溫乘以餃子重量的交互項。 |
| |
方差分析是顯著的，這表明我們可以拒絕原假設並得出結論我們有一個模型。 我們沒有過擬合問題 |
| |
因為 R 平方和 R 平方調整後的差異小於 10%。 對於失配窗口，失配誤差和純誤差之和是方差分析表中的總誤差平方和。 |
| |
而純誤差與模型無關，比如實驗誤差之類的東西，所以如果總殘差比純誤差大。 |
| |
這意味著我們可能必須擬合非線性模型，因為線性模型的擬合度很高。 當所有誤差僅由純誤差引起時，失配為零 |
| |
R平方值等於最大R平方。 由於缺乏擬合的 p 值大於 0.05，因此我們沒有證據表明我們需要切換到穩健的非線性設計，因為與總殘差相比，純誤差要小得多。 |
| |
現在 R 平方不是很好......不是很好，因為在運行 #6 中可能出現異常值，在學生化殘差中看到，它觸及任何限制的界限。 讓我們看看為什麼那次運行可能是一個異常值。 |
| |
因此，如果您查看第 6 次運行的預測分析器，我們會看到有一個大三角形，表示局部敏感性更高。 |
| |
這表明輸入的微小變化會導致上升時間發生很大變化，這意味著在運行#6 的因子設置下瞬時斜率更大。 |
