Altoparlante
|
Trascrizione
|
| Massone Chen |
Quindi ciao sono Mason e oggi presenterò il progetto di cottura dei ravioli in cui abbiamo studiato la relazione tra struttura dei dati, fisica dei ravioli e risultati RSM. |
| |
La motivazione alla base di questo progetto è che il COVID-19 ha aumentato la domanda di cucina a distanza e l'intelligenza artificiale e la robotica nell'industria alimentare svolgeranno un ruolo sempre più importante man mano che l'applicazione della tecnologia continua a diffondersi. |
| |
Ma la maggior parte dei cibi viene prodotta senza un controllo preciso dei parametri di cottura poiché ci affidiamo all'esperienza dello chef per creare piatti coerenti. |
| |
Ma il controllo della qualità e l'efficienza saranno molto più importanti se il robot sta cucinando un pasto, quindi abbiamo deciso di utilizzare gli gnocchi al vapore come piatto semplice, nutriente ma gustoso per preparare la ricetta ottimale, in base al tempo di lievitazione degli gnocchi. |
| |
Così ho affermato in precedenza, abbiamo eseguito un esperimento con gli gnocchi, ma a causa della carenza di ingredienti, abbiamo dovuto sostituire un diverso tipo di carne nel processo sperimentale. |
| |
Quindi, quando abbiamo valutato il progetto DOE, non era ortogonale perché c'erano dei grossi fattori di confusione ???. |
| |
E quando proviamo a eseguire il risultato RSM con questi dati, c'era anche un potenziale valore anomalo, in particolare Run #6, che volevamo studiare ulteriormente. |
| |
Quindi il nostro primo obiettivo di questo progetto è affrontare la carenza da un punto di vista correttivo (?). |
| |
e vediamo se riusciamo a salvare la struttura DSD. Lo faremo cambiando prima il tipo di carne, che originariamente era una variabile categorica a due livelli composta da maiale o gamberetti |
| |
a una variabile continua in modo da poter utilizzare percentuali variabili di tipo di carne per quelle tre piste che usiamo con diverse miscele di gamberi e maiale. |
| |
E poi valuteremo la struttura dei dati per questo nuovo progetto DSD utilizzando una varietà di strumenti di valutazione. |
| |
Bene, poiché la struttura DSD non era problematica sulla base di quegli strumenti, abbiamo deciso di eseguire un modello RSM per vedere se i suoi risultati sono in linea con la nostra ricerca scientifica sulla convezione e conduzione. |
| |
Se la struttura del DSD fosse stata problematica, avremmo potuto ricevere alcune false interazioni che non possono essere spiegate dalla scienza |
| |
e le interazioni che ci aspetteremmo dalla scienza potrebbero essere nascoste a causa dell'assenza di ortogonalità. |
| |
E il nostro secondo obiettivo dopo aver trovato un buon modello DSD per tenere conto della carenza di ingredienti |
| |
è un approccio più preventivo, in cui vogliamo studiare l'impatto del potenziale valore anomalo e un ??? DSD strutturato rivedendo le impostazioni. |
| |
L'impatto del valore anomalo può aiutarci a comprendere meglio l'importanza del controllo della misurazione e un problema... durante lo studio della struttura DSD |
| |
ci farà sapere in che modo la struttura confusa influenzerà i nostri risultati prima ancora di eseguire il nostro esperimento in futuro. |
| |
Quindi raggiungeremo il secondo obiettivo modificando e confrontando le impostazioni dei fattori e la risposta dell'esecuzione n. 6, che è un potenziale valore anomalo, e dell'esecuzione n. 9, che è il nostro punto centrale, e studiando se i risultati del modello sono dovuti alla conferma dei dati struttura o se può essere spiegato dalla fisica. |
| |
Quindi la tabella di progettazione originale è sulla destra e quelle che abbiamo sostituito sono Run #3, 4 e 9, come evidenziato in arancione. |
| |
Esegui #9, ancora una volta, questo è il punto centrale, quindi la sostituzione può influenzare l'ortogonalità del modello, come la varianza di previsione media su cui stiamo cercando di sovrapporre. La corsa originale utilizza un tipo di carne categorico di maiale e gamberetti, quindi abbiamo mantenuto l'impostazione |
| |
gamberetti, anche per queste tre corse in cui abbiamo dovuto sostituire parte dei gamberi con il maiale. |
| |
La mappa colorata sul lato sinistro mostra alcuni gruppi confondenti, quindi il blu indica assenza di confusione, correlazione zero tra questi due termini, |
| |
e il rosso scuro indica grave confusione e alta correlazione, motivo per cui la linea diagonale sarà sempre 1, poiché ogni variabile è... ogni termine è correlato al 100% con se stesso. Quindi ci sono alcune linee di risoluzione ??? che influenzano il confondimento. |
| |
E |
| |
il ... per il tipo di carne categorico, in particolare su una correlazione di 0,3, e abbiamo una severa risoluzione IV, che è il rischio di composizione dell'interazione dell'interazione, poiché alcuni di essi, come i blocchi rossi, hanno una correlazione maggiore di 0,5. Quindi non dovremmo |
| |
esegui un modello RSM da qui, poiché i nostri dati stessi non possono essere considerati affidabili per il grave confondimento, quindi prima di procedere con l'esecuzione di un modello, dobbiamo migliorare l'RSM ... la struttura dei dati. Ma come possiamo affrontare questo problema senza ricordare i dati? |
| |
Quindi, poiché il tipo di carne categorico presentava problemi di confusione e dovremmo tenere conto della sostituzione del tipo di carne, abbiamo deciso di cambiare il tipo di carne da categorico a continuo. |
| |
Abbiamo cambiato la variabile essenzialmente in percentuale di gamberetti, quindi il tipo di carne precedente che era tutto gamberetti è stato cambiato al 100% e quelli che erano tutti di maiale sono cambiati allo 0%. |
| |
Per tre carni sostitutive, abbiamo stimato i veri valori percentuali in base a ciò che potevamo ricordare sullo storico degli ordini per la carne totale che abbiamo acquistato al supermercato quel giorno, quindi 70, 40 e 65%. |
| |
Abbiamo quindi eseguito nuovamente la mappa dei colori sulle correlazioni e esaminato l'analisi della potenza per valutare se la struttura dei dati è più ortogonale o meno. |
| |
L'analisi della potenza è tutta maggiore di 0,9 per gli effetti principali, il che significa che esiste una probabilità superiore al 90% di poter rilevare un effetto significativo di queste variabili. |
| |
Inoltre, la mappa dei colori mostra una risoluzione 1 leggermente ridotta, in quanto è sfumata di blu, specialmente per il tipo di carne continua. |
| |
E il confondimento della risoluzione 4 non cambia molto, quindi sceglieremo di attenerci a questo modello, poiché l'apparente ortogonalità non è male, e in seguito, quando eseguirai l'RSM, torneremo alla mappa dei colori per verificare se eventuali interazioni possono essere dovuto a un problema di confusione. |
| |
Quindi esaminiamo il profilo della varianza della previsione, che indica la varianza della previsione a diversi livelli di fattori. |
| |
Ora il profilo di previsione effettivo dipende sia dall'errore di risposta che da una quantità che dipende dalla progettazione e dall'impostazione del fattore. |
| |
Ma per questo profilo di varianza della previsione, l'asse Y è una varianza relativa della previsione, che è la varianza effettiva divisa per la varianza della risposta |
| |
in modo che la varianza della risposta si annulli e il profilo della varianza della previsione dipenda solo dalla struttura DSD e non dalla risposta. |
| |
Quindi il grafico in alto è la varianza media nel punto centrale e quello in basso è la varianza massimizzata, quindi dobbiamo guardare entrambi perché la varianza media indica più informazioni sull'intero progetto, |
| |
e la varianza massima fornisce informazioni sul caso peggiore. Quindi la varianza media è Run #9 |
| |
alle impostazioni di Run #9, che abbiamo dovuto sostituire parte della carne. E all'esecuzione n. 9, la varianza è 0,06, il che non è poi così male e la varianza è simmetrica rispetto al punto centrale, il che significa che la sostituzione non influisce gravemente sull'ortogonalità del modello. |
| |
La varianza della previsione sarà sempre maggiore alle curve, dal momento che non vuoi fare previsioni sulle curve, perché intorno ad essa ci sono meno punti e la corsa ottimale è solitamente intorno al centro |
| |
con la minima varianza di previsione. Per la varianza massima, puoi vedere che la curva è un po' asimmetrica per il peso dello gnocco e il tipo di carne. |
| |
Questa è la Run #18 ma non c'è niente di speciale, quindi non dovrebbe essere un grosso problema. Quindi, dal momento che non c'è stato nulla di importante in evidenza per questa struttura DSD, andremo avanti e procederemo con l'esecuzione del modello RSM per il tipo di carne continua. |
| |
Quindi abbiamo eseguito il modello RSM utilizzando la progressione graduale e la selezione mista, basata sul valore p. E abbiamo scelto una progressione graduale invece della normale regressione dei minimi quadrati, perché i minimi quadrati |
| |
è necessario almeno lo stesso numero di esecuzioni dei termini e non abbiamo abbastanza esecuzioni per stimare tutti i termini. |
| |
Quindi tre importanti effetti medi sono la temperatura dell'acqua, il peso degli gnocchi e le dimensioni del lotto. E abbiamo il termine di interazione della temperatura dell'acqua per il peso dello gnocco. |
| |
L'ANOVA è significativo, il che indica che possiamo rifiutare l'ipotesi nulla e concludere che abbiamo un modello. Non abbiamo un problema di overfitting |
| |
poiché R al quadrato e R al quadrato rettificato differiscono di meno del 10%. Per la finestra di mancanza di adattamento, la somma dell'errore di mancanza di adattamento e dell'errore puro è la somma totale dei quadrati dell'errore dalla tabella ANOVA. |
| |
E l'errore puro è indipendente dal modello, come cose come l'errore sperimentale, quindi se l'errore residuo totale è grande rispetto all'errore puro. |
| |
Significa che potremmo dover adattare un modello non lineare, poiché il modello lineare ha un'elevata mancanza di adattamento. Quando tutto l'errore è dovuto solo a puro errore, allora non c'è mancanza di adattamento |
| |
e il valore R al quadrato è uguale al massimo R al quadrato. Sul valore p per la mancanza di adattamento è maggiore di 0,05, quindi non abbiamo davvero prove della necessità di passare a un robusto progetto non lineare poiché l'errore puro è molto più piccolo rispetto all'errore residuo totale. |
| |
Ora la R al quadrato non è molto buona...non eccellente, a causa del possibile valore anomalo in Run #6 visto nel residuo studentizzato, che sta toccando il limite per qualsiasi limite. Vediamo perché quella corsa potrebbe essere un valore anomalo. |
| |
Quindi, se guardi il profiler di previsione per l'esecuzione n. 6, vediamo che c'è un grande triangolo, che indica una maggiore sensibilità locale. |
| |
E questo indica che un piccolo cambiamento nell'input provoca un grande cambiamento nel tempo di salita, il che significa una maggiore pendenza istantanea alle impostazioni del fattore per Run #6. |
