Lautsprecher
|
Transkript
|
| Mason Chen |
Hallo, ich bin Mason und heute stelle ich das Knödel-Kochprojekt vor, in dem wir die Beziehung zwischen Datenstruktur, Knödelphysik und RSM-Ergebnissen untersucht haben. |
| |
Die Motivation hinter diesem Projekt ist, dass COVID-19 die Nachfrage nach Fernkochen erhöht hat und dass künstliche Intelligenz und Robotik in der Lebensmittelindustrie eine immer wichtigere Rolle spielen werden, da sich die Anwendung von Technologie weiter ausbreitet. |
| |
Die meisten Speisen werden jedoch ohne genaue Kontrolle der Kochparameter zubereitet, da wir uns bei der Zubereitung konsistenter Gerichte auf die Fachkenntnis des Küchenchefs verlassen. |
| |
Aber Qualitätskontrolle und Effizienz sind viel wichtiger, wenn der Roboter eine Mahlzeit kocht. Deshalb haben wir uns entschieden, gedämpfte Knödel als einfaches, nahrhaftes, aber schmackhaftes Gericht zu verwenden, um das optimale Rezept entsprechend der Knödelaufgangszeit zuzubereiten. |
| |
Ich habe bereits erwähnt, dass wir ein Knödelexperiment durchgeführt haben, aber aufgrund eines Mangels an Zutaten mussten wir im experimentellen Prozess eine andere Fleischsorte verwenden. |
| |
Als wir das DOE-Design evaluierten, stellten wir fest, dass es nicht orthogonal war, da es erhebliche Verwirrungen aufwies ???. |
| |
Und als wir versuchten, das RSM-Ergebnis mit diesen Daten zu berechnen, gab es auch einen potenziellen Ausreißer, insbesondere Lauf Nr. 6, den wir weiter untersuchen wollten. |
| |
Unser erstes Ziel dieses Projekts besteht also darin, den Mangel aus einer korrigierenden (?) Sicht zu beheben |
| |
und sehen Sie, ob wir die DSD-Struktur speichern können. Dazu ändern wir zunächst die Fleischsorte, bei der es sich ursprünglich um eine zweistufige kategoriale Variable bestehend aus Schweinefleisch oder Garnelen handelte |
| |
zu einer kontinuierlichen Variable, so dass wir für die drei Läufe, die wir mit unterschiedlichen Mischungen aus Garnelen und Schweinefleisch verwenden, unterschiedliche Prozentsätze der Fleischart verwenden können. |
| |
Anschließend bewerten wir die Datenstruktur für dieses neue DSD-Design mithilfe verschiedener Bewertungstools. |
| |
Da die DSD-Struktur mit diesen Tools kein Problem darstellte, entschieden wir uns, ein RSM-Modell auszuführen, um zu sehen, ob seine Ergebnisse mit unserer wissenschaftlichen Forschung zu Konvektion und Leitung übereinstimmen. |
| |
Wäre die DSD-Struktur problematisch gewesen, hätten wir möglicherweise einige falsche Wechselwirkungen erhalten, die wissenschaftlich nicht erklärt werden können |
| |
und Wechselwirkungen, die wir von der Wissenschaft erwarten würden, könnten aufgrund der fehlenden Orthogonalität verborgen bleiben. |
| |
Und unser zweites Ziel, nachdem wir ein gutes DSD-Modell gefunden haben, um dem Mangel an Inhaltsstoffen Rechnung zu tragen |
| |
ist ein eher präventiver Ansatz, bei dem wir die Auswirkungen des potenziellen Ausreißers und eines ??? untersuchen wollen. DSD strukturiert durch Überarbeitung der Einstellungen. |
| |
Der Einfluss von Ausreißern kann uns dabei helfen, die Bedeutung der Messkontrolle und eines Problems besser zu verstehen, während wir die DSD-Struktur untersuchen |
| |
wird uns wissen lassen, wie sich die verzerrte Struktur auf unsere Ergebnisse auswirkt, bevor wir unser Experiment in Zukunft überhaupt durchführen. |
| |
Das zweite Ziel erreichen wir, indem wir die Faktoreinstellungen und die Reaktion von Lauf Nr. 6, einem potenziellen Ausreißer, und Lauf Nr. 9, unserem Mittelpunkt, modifizieren und vergleichen und untersuchen, ob die Modellergebnisse auf bestätigende Daten zurückzuführen sind Struktur oder ob sie physikalisch erklärbar ist. |
| |
Die ursprüngliche Designtabelle befindet sich also auf der rechten Seite und die von uns ersetzten sind die Durchgänge Nr. 3, 4 und 9, die orange hervorgehoben sind. |
| |
Lauf Nr. 9: Auch hier handelt es sich um den Mittelpunkt, daher kann sich die Substitution auf die Orthogonalität des Modells auswirken, beispielsweise auf die durchschnittliche Vorhersagevarianz, auf der wir eine Schicht erstellen möchten. Im ursprünglichen Versuch wurden ausschließlich Schweinefleisch und Garnelen verwendet, daher haben wir die Einstellung beibehalten |
| |
Garnelen, selbst bei diesen drei Läufen, bei denen wir einige der Garnelen durch Schweinefleisch ersetzen mussten. |
| |
Die farbige Karte auf der linken Seite zeigt einige verwirrende Gruppen. Blau zeigt also an, dass es keine Verwechslung gibt und keine Korrelation zwischen diesen beiden Begriffen besteht. |
| |
und dunkelrot weist auf starke Verwirrung und hohe Korrelation hin, weshalb die diagonale Linie immer 1 ist, da jede Variable ... jeder Term zu 100 % mit sich selbst korreliert. Es gibt also einige Auflösungslinien ??? die sich auf die Verwirrung auswirken. |
| |
Und |
| |
die ... für die Fleischsorte kategorisch, insbesondere etwa eine Korrelation von 0,3, und wir haben einige schwerwiegende Auflösung IV, die das Risiko einer Interaktionsinteraktion erhöht, da einige von ihnen, wie die roten Blöcke, eine Korrelation von mehr als 0,5 aufweisen. Also sollten wir es nicht tun |
| |
Führen Sie von hier aus ein RSM-Modell aus, da unsere Daten selbst der starken Verwirrung nicht gewachsen sind. Bevor wir also mit der Ausführung eines Modells fortfahren, müssen wir das RSM verbessern … die Datenstruktur. Aber wie können wir dieses Problem angehen, ohne die Daten erneut zu sammeln? |
| |
Da es bei der kategorialen Fleischart zu Verwechslungsproblemen kam und wir mit der Ersetzung der Fleischart rechnen sollten, haben wir beschlossen, die Fleischart von kategorisch auf kontinuierlich zu ändern. |
| |
Wir haben die Variable im Wesentlichen auf Garnelenprozent geändert, sodass die vorherige Fleischsorte, die ausschließlich aus Garnelen bestand, auf 100 % und die Fleischsorte, die ausschließlich aus Schweinefleisch bestand, auf 0 % geändert wurde. |
| |
Für drei Ersatzfleischsorten haben wir die wahren Prozentwerte geschätzt, basierend auf dem, was uns über die Bestellhistorie für das gesamte Fleisch, das wir an diesem Tag im Supermarkt gekauft haben, in Erinnerung geblieben ist, also 70, 40 und 65 %. |
| |
Anschließend haben wir die Farbkarte erneut auf Korrelationen angewendet und uns die Leistungsanalyse angesehen, um zu beurteilen, ob die Datenstruktur orthogonaler ist oder nicht. |
| |
Die Leistungsanalyse ist für die Haupteffekte alle größer als 0,9, was bedeutet, dass die Wahrscheinlichkeit, dass wir einen signifikanten Effekt dieser Variablen erkennen können, bei über 90 % liegt. |
| |
Darüber hinaus weist die Farbkarte auf eine leicht verringerte Auflösung 1-Verwirrung hin, da sie blauer schattiert ist, insbesondere für kontinuierliche Fleischsorten. |
| |
Da sich durch das Confounding bei Auflösung 4 nicht viel ändert, bleiben wir bei diesem Modell, da die scheinbare Orthogonalität nicht schlecht ist. Später, wenn Sie das RSM ausführen, kehren wir zur Farbkarte zurück, um zu prüfen, ob es zu Wechselwirkungen kommt auf ein verwirrendes Problem zurückzuführen sein. |
| |
Als nächstes betrachten wir das Prognosevarianzprofil, das die Prognosevarianz auf verschiedenen Faktorenebenen angibt. |
| |
Nun hängt das tatsächliche Vorhersageprofil sowohl vom Antwortfehler als auch von einer Größe ab, die vom Design und der Faktoreinstellung abhängt. |
| |
Aber für dieses Vorhersagevarianzprofil ist die Y-Achse eine relative Varianz der Vorhersage, also die tatsächliche Varianz dividiert durch die Antwortvarianz |
| |
sodass sich die Antwortvarianz aufhebt und das Vorhersagevarianzprofil nur von der DSD-Struktur und nicht von der Antwort abhängt. |
| |
Das obere Diagramm ist also die durchschnittliche Varianz am Mittelpunkt und das untere ist die maximierte Varianz. Daher müssen wir uns beide ansehen, da die durchschnittliche Varianz mehr Informationen über das gesamte Design anzeigt. |
| |
und die maximale Varianz gibt Ihnen Auskunft über den Worst-Case-Punkt. Die durchschnittliche Varianz beträgt also Lauf Nr. 9 |
| |
Bei den Einstellungen von Lauf Nr. 9 mussten wir einen Teil des Fleisches ersetzen. Und bei Lauf Nr. 9 beträgt die Varianz 0,06, was nicht allzu schlecht ist, und die Varianz ist symmetrisch zum Mittelpunkt, was bedeutet, dass die Substitution die Orthogonalität des Modells nicht wesentlich beeinträchtigt. |
| |
Die Vorhersagevarianz wird bei Kurven immer am größten sein, da Sie keine Vorhersagen für die Ecken treffen möchten, da sich um die Ecken herum weniger Punkte befinden und der optimale Verlauf normalerweise um die Mitte verläuft |
| |
mit der geringsten Vorhersagevarianz. Bei der maximalen Varianz sieht man, dass die Kurve je nach Knödelgewicht und Fleischsorte etwas asymmetrisch ist. |
| |
Dies ist Lauf Nr. 18, aber er hat nichts Besonderes und sollte daher keine allzu große Sache sein. Da es bei dieser DSD-Struktur keine nennenswerten Besonderheiten gab, werden wir mit der Ausführung des RSM-Modells für den kontinuierlichen Fleischtyp fortfahren. |
| |
Deshalb haben wir das RSM-Modell mit schrittweiser Progression und gemischter Auswahl basierend auf dem p-Wert ausgeführt. Und wir haben eine schrittweise Progression anstelle der gewöhnlichen Regression der kleinsten Quadrate gewählt, weil die kleinsten Quadrate |
| |
benötigen mindestens die gleiche Anzahl an Läufen wie Terme und wir haben nicht genügend Läufe, um alle Terme zu schätzen. |
| |
Drei wichtige mittlere Effekte sind also die Wassertemperatur, das Knödelgewicht und die Chargengröße. Und wir haben den Wechselwirkungsterm von Wassertemperatur mal Knödelgewicht. |
| |
Die ANOVA ist signifikant, was darauf hinweist, dass wir die Nullhypothese ablehnen und daraus schließen können, dass wir ein Modell haben. Wir haben kein Überanpassungsproblem |
| |
da R-Quadrat und R-Quadrat angepasst um weniger als 10 % voneinander abweichen. Für das fehlende Anpassungsfenster ist die Summe des fehlenden Anpassungsfehlers und des reinen Fehlers die Gesamtfehlersumme der Quadrate aus der ANOVA-Tabelle. |
| |
Und reine Fehler sind unabhängig vom Modell, z. B. experimentelle Fehler, wenn also der gesamte Restfehler im Vergleich zum reinen Fehler groß ist. |
| |
Das bedeutet, dass wir möglicherweise ein nichtlineares Modell anpassen müssen, da das lineare Modell einen großen Mangel an Anpassung aufweist. Wenn alle Fehler nur auf reine Fehler zurückzuführen sind, liegt kein Mangel an Anpassung vor |
| |
und der R-Quadrat-Wert ist gleich dem maximalen R-Quadrat. Da der p-Wert für die mangelnde Anpassung größer als 0,05 ist, haben wir keine wirklichen Beweise dafür, dass wir auf ein robustes nichtlineares Design umsteigen müssen, da der reine Fehler im Vergleich zum gesamten Restfehler viel kleiner ist. |
| |
Nun ist das R-Quadrat nicht sehr gut ... nicht ausgezeichnet, wegen des möglichen Ausreißers in Lauf Nr. 6, der im studentisierten Residuum zu sehen ist, das die Grenze für jeden Grenzwert berührt. Mal sehen, warum dieser Lauf ein Ausreißer sein könnte. |
| |
Wenn Sie sich also den Vorhersageprofiler für Lauf Nr. 6 ansehen, sehen wir, dass es ein großes Dreieck gibt, was auf eine größere lokale Empfindlichkeit hinweist. |
| |
Dies weist darauf hin, dass eine kleine Änderung der Eingabe eine große Änderung der Anstiegszeit verursacht, was eine größere momentane Steigung bei den Faktoreinstellungen für Lauf Nr. 6 bedeutet. |
