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 增加了對遠程烹飪和人工智能的需求，隨著技術應用的不斷普及，食品行業中的機器人將發揮越來越重要的作用。 |
| |
但大多數食物的製作都沒有精確控制烹飪參數，因為我們依靠廚師的專業知識來製作一致的菜餚。 |
| |
但如果機器人做飯，質量控制和效率就顯得更加重要，所以我們決定以蒸餃作為一道簡單、營養又美味的菜餚，根據餃子的發酵時間來準備最佳的食譜。 |
| |
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更換不同的肉類。 |
| |
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雜因素？？？。 |
| |
當我們嘗試使用這些數據運行 RSM 結果時，還存在一個潛在的異常值，特別是運行#6，我們想進一步研究它。 |
| |
因此，我們這個項目的首要目標是從糾正（？）的角度解決短缺問題 |
| |
看看我們是否可以保存 DSD 結構。 我們將首先更改肉類類型，該類型最初是由豬肉或蝦組成的二級分類變量 |
| |
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，這三個運行與蝦和豬肉的不同混合物一起使用。 |
| |
然後我們將使用各種評估工具評估這個新 DSD 設計的數據結構。 |
| |
好吧，由於基於這些工具，DSD 結構沒有問題，因此我們決定運行 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無法用科學解釋的錯誤相互作用 |
| |
由於缺乏正交性，我們期望從科學中獲得的相互作用可能會被隱藏。 |
| |
我們的第二個目標是找到一個好的 DSD 模型來解決原料短缺問題 |
| |
是一種更具預防性的方法，我們要研究潛在異常值和 ??? 的影響。 通過修改設置構建 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問題......同時研究DSD結構 |
| |
讓我們在將來進行實驗之前知道混雜結構將如何影響我們的結果。 |
| |
因此，我們將通過修改和比較運行#6（潛在的異常值）和運行#9（我們的中心點）的因子設置和響應來實現第二個目標，並研究模型結果是否是由於確認數據而產生的結構或者是否可以用物理學來解釋。 |
| |
因此，原始設計表位於右側，我們替換的為運行 #3、4 和 9，如橙色突出顯示。 |
| |
再次運行#9，這是中心點，因此替換可能會影響模型的正交性，例如我們要分層的平均預測方差。 最初的運行使用豬肉和蝦的分類肉類，所以我們保留了設置 |
| |
蝦，即使是這三輪，我們也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，因此藍色表示沒有混雜，這兩個術語之間的相關性為零， |
| |
深紅色表示嚴重混雜和高相關性，這就是為什麼對角線始終為 1，因為每個變量...每個項都與其自身 100% 相關。 所以有一些分辨率線？？？影響混雜。 |
| |
和 |
| |
...對於肉類類型分類，尤其是大約 0.3 相關性，我們有一些嚴重的決議 IV，即相互作用相互作用複合風險，因為其中一些，例如紅色塊，相關性大於 0.5。 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信任到嚴重的混淆，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，我們應該用替代肉類類型來考慮，因此我們決定將肉類類型從分類更改為連續。 |
| |
我們將變量基本上更改為蝦百分比，因此之前全部是蝦的肉類類型更改為 100%，而全部是豬肉的肉類類型更改為 0%。 |
| |
對於三種替代肉類，我們根據當天在超市購買的全部肉類的訂單歷史記錄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彩色圖，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，這意味著我們有超過 90% 的機會可以檢測到這些變量的顯著效應。 |
| |
此外，上的顏色圖表明分辨率 1 混雜因素略有減少，因為它的陰影更藍，特別是對於連續的肉類類型。 |
| |
而分辨率 4 混雜並沒有太大變化，所以我們會選擇堅持這個模型，因為表觀正交性還不錯，稍後當你運行 RSM 時，我們將返回到顏色圖以檢查是否有任何交互可能由於混淆問題。 |
| |
接下來我們看一下預測方差概況，它表明不同因素水平下的預測方差。 |
| |
現在，實際的預測曲線取決於響應誤差和取決於設計和因子設置的數量。 |
| |
但對於此預測方差分佈，Y 軸是預測的相對方差，即實際方差除以響應方差 |
| |
以便響應方差相互抵消，並且預測方差分佈僅取決於 DSD 結構而不取決於響應。 |
| |
因此，上圖是中心點的平均方差，下圖是最大化方差，因此我們需要同時查看兩者，因為平均方差表明了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 Run #9 |
| |
在運行 #9 的設置中，我們必須替換一些肉。 在運行 #9 中，方差為 0.06，這還不錯，並且方差關於中心點對稱，這意味著替換不會嚴重影響模型的正交性。 |
| |
預測方差在拐角處總是最大，因為您不想對拐角進行預測，因為拐角周圍的點較少，並且最佳運行通常在中心附近 |
| |
具有最小的預測方差。 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。 |
| |
這是 Run #18，但沒有什麼特別的，所以應該沒什麼大不了的。 因此，由於此 DSD 結構沒有任何重大突出之處，因此我們將繼續針對連續肉類類型運行 RSM 模型。 |
| |
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。 我們選擇逐步進展而不是普通的最小二乘回歸，因為最小二乘 |
| |
至少需要與項相同數量的運行，但我們沒有足夠的運行來估計所有項。 |
| |
因此，三個重要的平均影響是水溫、餃子重量和批量大小。 我們有水溫乘以餃子重量的交互項。 |
| |
方差分析很顯著，這表明我們可以拒絕原假設並得出我們有模型的結論。 我們沒有過度擬合的問題 |
| |
因為 R 平方和調整後的 R 平方相差不到 10%。 對於失擬窗口，失擬誤差與純誤差之和是方差分析表中的總誤差平方和。 |
| |
純誤差與模型無關，例如實驗誤差，因此如果總殘差與純誤差相比較大。 |
| |
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，則失擬合為零 |
| |
R平方值等於最大R平方。 缺乏擬合的 p 值大於 0.05，因此我們沒有真正的證據表明我們需要切換到穩健的非線性設計，因為純誤差與總殘差相比要小得多。 |
| |
現在，R 平方不是很好...不是很好，因為在學生化殘差中看到運行 #6 中可能存在異常值，該值觸及任何極限的界限。 讓我們看看為什麼這次運行可能是異常值。 |
| |
因此，如果您查看運行 #6 的預測刻畫器，我們會看到有一個大三角形，這表明局部靈敏度更高。 |
| |
這表明輸入的微小變化會導致上升時間的較大變化，這意味著運行 #6 的因子設置具有更大的瞬時斜率。 |
