スピーカー
|
トランスクリプト
|
| メイソン・チェン |
こんにちは、メイソンです。今日は、データ構造、餃子の物理学、RSMの結果の関係を研究した餃子料理プロジェクトを紹介します。 |
| |
このプロジェクトの背後にある動機は、COVID-19が遠隔調理の需要を増加させ、食品業界における人工知能とロボット工学が技術の応用が広がり続けるにつれてますます重要な役割を果たすことです。 |
| |
しかし、一貫した料理を作るためにシェフの専門知識に依存しているため、ほとんどの食品は調理パラメーターを正確に制御せずに作られています。 |
| |
しかし、ロボットが食事を調理する場合、品質管理と効率がはるかに重要になるため、餃子の立ち上がり時間に応じて、蒸し餃子をシンプルで栄養価が高く、おいしい料理として使用して最適なレシピを作成することにしました。 |
| |
先ほど申し上げましたように、餃子の実験を行いましたが、材料が不足しているため、実験の過程で別の種類の肉に置き換える必要がありました。 |
| |
したがって、DOE計画を評価したとき、いくつかの大きな交絡があったため、直交していませんでした???。 |
| |
そして、このデータを使用してRSMの結果を実行しようとすると、潜在的な外れ値、特に実行＃6もあり、さらに調査したいと思いました。 |
| |
したがって、このプロジェクトの最初の目的は、是正（？）の観点から不足に対処することです。 |
| |
DSD構造を保存できるかどうかを確認します。 これを行うには、最初に肉の種類を変更します。これは元々、豚肉またはエビで構成される2レベルのカテゴリ変数でした。 |
| |
エビと豚肉のさまざまな混合物で使用する3つの実行で、さまざまな割合の肉タイプを使用できるように、連続変数に変換します。 |
| |
次に、さまざまな評価ツールを使用して、この新しいDSD設計のデータ構造を評価します。 |
| |
さて、DSD構造はこれらのツールに基づいて問題がなかったので、RSMモデルを実行して、その結果が対流と伝導に関する科学的研究と一致しているかどうかを確認することにしました。 |
| |
DSD構造に問題があった場合、科学では説明できない誤った相互作用を受け取った可能性があります |
| |
科学に期待する相互作用は、直交性がないために隠されている可能性があります。 |
| |
そして、成分不足を説明するための良いDSDモデルを見つけた後の2番目の目的 |
| |
より予防的なアプローチであり、潜在的な外れ値と???の影響を調査したい場合です。 設定を変更して構造化されたDSD。 |
| |
外れ値の影響は、DSD構造を研究しながら、測定制御の重要性と問題をよりよく理解するのに役立ちます。 |
| |
将来実験を実行する前に、交絡構造が結果にどのように影響するかを知らせてくれます。 |
| |
したがって、2番目の目的は、潜在的な外れ値である実行＃6と中心点である実行＃9からの因子設定と応答を変更および比較し、モデルの結果がデータの確認によるものかどうかを調べることによって行います。構造またはそれが物理学によって説明できるかどうか。 |
| |
したがって、元の設計テーブルは右側にあり、置き換えたものは、オレンジ色で強調表示されているように、実行＃3、4、および9です。 |
| |
＃9を実行します。これも中心点であるため、置換は、重ね合わせようとしている平均予測分散など、モデルの直交性に影響を与える可能性があります。 オリジナルランは豚肉と海老のカテゴリー肉タイプを使用しているので、設定を維持しました |
| |
エビ、エビの一部を豚肉に置き換えなければならなかったこれらの3つの実行でも。 |
| |
左側の色付きのマップはいくつかの交絡グループを示しているため、青は交絡がなく、これら2つの用語間の相関がゼロであることを示します。 |
| |
濃い赤は、深刻な交絡と高い相関を示します。これが、各変数が...各項がそれ自体と100％相関しているため、対角線が常に1になる理由です。 だからいくつかの解決線があります???交絡に影響を与えます。 |
| |
と |
| |
...肉タイプのカテゴリの場合、特に約0.3の相関関係があり、赤いブロックなどの一部の相関関係が0.5より大きいため、相互作用の複合リスクである重大な解像度IVがあります。 だから私たちはすべきではありません |
| |
ここからRSMモデルを実行します。これは、データ自体が深刻な交絡に対して信頼できないため、モデルの実行に進む前に、RSM...データ構造を改善する必要があります。 しかし、データを再収集せずにこの問題に対処するにはどうすればよいでしょうか。 |
| |
そのため、肉の種類のカテゴリには交絡の問題があり、肉の種類を置き換えることを考慮する必要があるため、肉の種類をカテゴリから連続に変更することにしました。 |
| |
変数を基本的にエビのパーセントに変更したため、以前のすべてのエビであった肉の種類は100％に変更され、すべての豚肉であったものは0％に変更されました。 |
| |
3つの代替肉について、その日にスーパーマーケットで購入した肉の合計の注文履歴について思い出せるものに基づいて真のパーセンテージ値を推定しました。つまり、70、40、65％です。 |
| |
次に、相関関係についてカラーマップを再度実行し、検出力分析を調べて、データ構造がより直交しているかどうかを評価しました。 |
| |
主効果の検出力分析はすべて0.9を超えています。つまり、これらの変数の有意な効果を検出できる可能性は90％を超えています。 |
| |
さらに、上のカラーマップは、特に肉タイプの連続の場合、青くシェーディングされているため、解像度1の交絡がわずかに減少していることを示しています。 |
| |
また、解像度4の交絡はあまり変わらないため、見かけの直交性は悪くないため、このモデルに固執することにします。後でRSMを実行すると、カラーマップに戻って、相互作用が発生する可能性があるかどうかを確認します。交絡問題によるものです。 |
| |
次に、予測分散プロファイルを確認します。これは、さまざまなレベルの要因での予測分散を示しています。 |
| |
現在、実際の予測プロファイルは、応答誤差と、設計および因子設定に依存する量の両方に依存します。 |
| |
ただし、この予測分散プロファイルの場合、Y軸は予測の相対分散であり、実際の分散を応答分散で割ったものです。 |
| |
そのため、応答分散はキャンセルされ、予測分散プロファイルはDSD構造のみに依存し、応答には依存しません。 |
| |
したがって、上のグラフは中心点での平均分散であり、下のグラフは最大化された分散です。平均分散は設計全体に関するより多くの情報を示しているため、両方を確認する必要があります。 |
| |
最大分散は、最悪の場合のポイントに関する情報を示します。 したがって、平均分散は実行＃9です。 |
| |
実行＃9の設定では、肉の一部を置き換える必要がありました。 また、実行＃9では、分散は0.06であり、それほど悪くはなく、分散は中心点に関して対称です。これは、置換がモデルの直交性に深刻な影響を与えないことを意味します。 |
| |
コーナーの予測を行いたくないので、予測の分散は常にコーナーで最大になります。これは、コーナーの周りのポイントが少なく、最適な実行は通常、中心の周りにあるためです。 |
| |
予測分散が最小です。 最大の分散については、餃子の重量と肉の種類に対して曲線が少し非対称であることがわかります。 |
| |
これはラン＃18ですが、特別なことは何もないので、大したことではありません。 したがって、このDSD構造で目立ったものは何もなかったので、先に進んで、連続肉タイプのRSMモデルを実行します。 |
| |
そのため、p値に基づいて、段階的な進行と混合選択を使用してRSMモデルを実行しました。 そして、最小二乗が最小二乗であるため、通常の最小二乗回帰の代わりに段階的進行を選択しました |
| |
少なくとも用語と同じ数の実行が必要であり、すべての用語を推定するのに十分な実行がありません。 |
| |
したがって、3つの重要な平均効果は、水温、餃子の重量、バッチサイズです。 そして、水温と餃子の重さの交互作用項があります。 |
| |
ANOVAは有意です。これは、帰無仮説を棄却し、モデルがあると結論付けることができることを示しています。 過剰適合の問題はありません |
| |
調整済み決定係数と決定係数の差は10％未満であるため。 適合ウィンドウの欠如の場合、適合の欠如の誤差と純粋な誤差の合計は、ANOVA表からの二乗の合計誤差の合計です。 |
| |
また、純粋な誤差は、実験誤差などのモデルに依存しないため、総残差誤差が純粋な誤差と比較して大きい場合。 |
| |
これは、線形モデルの適合性が非常に低いため、非線形モデルを適合させる必要がある可能性があることを意味します。 すべてのエラーが純粋なエラーのみによるものである場合、適合性の欠如はありません。 |
| |
決定係数の値は最大決定係数に等しくなります。 適合性の欠如のp値は0.05より大きいため、純粋な誤差は総残差誤差と比較してはるかに小さいため、ロバストな非線形設計に切り替える必要があるという証拠は実際にはありません。 |
| |
現在、決定係数はあまり良くありません...スチューデント化残差に見られる実行＃6の外れ値の可能性があるため、優れていません。 その実行が外れ値である理由を見てみましょう。 |
| |
したがって、実行＃6の予測プロファイラーを見ると、大きな三角形があることがわかります。これは、ローカル感度が高いことを示しています。 |
| |
これは、入力の小さな変化が立ち上がり時間の大きな変化を引き起こすことを示しています。これは、実行＃6の係数設定での瞬間的な傾きが大きくなることを意味します。 |
