扬声器
|
成绩单
|
| 陈梅森 |
大家好，我是 Mason，今天我将介绍饺子烹饪项目，在该项目中我们研究了数据结构、饺子物理和 RSM 结果之间的关系。 |
| |
该项目背后的动机是 COVID-19 增加了对远程烹饪的需求，随着技术应用的不断普及，食品行业中的人工智能和机器人技术将发挥越来越重要的作用。 |
| |
但大多数食物都是在没有精确控制烹饪参数的情况下制作的，因为我们依靠厨师的专业知识来制作一致的菜肴。 |
| |
但如果机器人在做饭，质量控制和效率会更重要，所以我们决定使用蒸饺作为一道简单、营养但美味的菜肴，根据饺子的上升时间来准备最佳食谱。 |
| |
所以我之前说过，我们做了一个饺子实验，但是由于原料短缺，我们在实验过程中不得不换一种不同的肉。 |
| |
因此，当我们评估 DOE 设计时，它不是正交的，因为存在一些主要的混淆 ???。 |
| |
当我们尝试使用这些数据运行 RSM 结果时，还有一个潜在的异常值，特别是运行 #6，我们想进一步研究它。 |
| |
所以我们这个项目的第一个目标是从纠正（？）的角度来解决短缺问题 |
| |
看看我们是否可以保存DSD结构。 我们将通过首先更改肉类类型来做到这一点，肉类类型最初是由猪肉或虾组成的两级分类变量 |
| |
到一个连续变量，这样我们就可以在这三个运行中使用不同百分比的肉类类型，我们使用不同的虾和猪肉混合物。 |
| |
然后我们将使用各种评估工具评估这种新的 DSD 设计的数据结构。 |
| |
好吧，由于基于这些工具的 DSD 结构没有问题，我们决定运行一个 RSM 模型，看看它的结果是否符合我们关于对流和传导的科学研究。 |
| |
如果 DSD 结构有问题，我们可能会收到一些科学无法解释的错误相互作用 |
| |
由于缺乏正交性，我们期望从科学中得到的相互作用可能会被隐藏起来。 |
| |
我们的第二个目标是找到一个好的 DSD 模型来解决成分短缺问题 |
| |
是更具预防性的方法，我们要研究潜在异常值的影响和 ??? 通过修改设置来构建 DSD。 |
| |
异常值的影响可以帮助我们更好地理解测量控制的重要性和一个问题......同时研究DSD结构 |
| |
将让我们知道混淆结构将如何影响我们的结果，甚至在未来运行我们的实验之前。 |
| |
因此，我们将通过修改和比较来自作为潜在异常值的 Run #6 和 Run #9（我们的中心点）的因子设置和响应来完成第二个目标，并研究模型结果是否是由于确认数据结构，或者它是否可以用物理学来解释。 |
| |
所以原始设计表在右侧，我们替换的设计表是运行#3、4 和 9，以橙色突出显示。 |
| |
再次运行#9，这是中心点，因此替换可能会影响模型的正交性，例如我们正在寻找的平均预测方差。 原始运行使用猪肉和虾的分类肉类，所以我们保留了设置 |
| |
虾，即使在这三个运行中，我们不得不用一些虾代替猪肉。 |
| |
左侧的彩色地图显示了一些混杂组，所以蓝色表示没有混杂，这两个术语之间的相关性为零， |
| |
深红色表示严重的混杂和高度相关，这就是为什么对角线将始终为 1，因为每个变量是......每个项与自身 100% 相关。 所以有一些分辨率线？？？影响混杂。 |
| |
和 |
| |
......对于肉类类型，尤其是大约 0.3 的相关性，我们有一些严重的解决方案 IV，即交互交互复合风险，因为其中一些，例如红色块大于 0.5 相关性。 所以我们不应该 |
| |
从这里运行 RSM 模型，因为我们的数据本身不能被严重混淆，所以在我们继续运行模型之前，我们需要改进 RSM ......数据结构。 但是我们如何在不重新收集数据的情况下解决这个问题呢？ |
| |
因此，由于肉类类型分类存在混淆问题，我们应该考虑替代肉类类型，我们决定将肉类类型从分类更改为连续。 |
| |
我们基本上将变量更改为虾百分比，因此之前全是虾的肉类类型更改为 100%，而全是猪肉的肉类类型更改为 0%。 |
| |
对于三种替代肉类，我们根据我们可以回忆起当天在超市购买的总肉类的订单历史来估计真实的百分比值，即 70%、40% 和 65%。 |
| |
然后，我们再次运行相关性的颜色图，并查看功效分析以评估数据结构是否更加正交。 |
| |
主效应的功效分析均大于 0.9，这意味着我们可以检测到这些变量的显着效应的可能性大于 90%。 |
| |
此外，颜色图表示分辨率 1 混杂略有降低，因为它的阴影更蓝，尤其是对于连续肉类。 |
| |
而且分辨率 4 的混杂变化不大，所以我们会选择坚持这个模型，因为明显的正交性还不错，稍后当你运行 RSM 时，我们将返回颜色图检查是否有任何交互可能是由于一个令人困惑的问题。 |
| |
所以接下来我们看一下预测方差分布，它表明了不同水平因素的预测方差。 |
| |
现在，实际预测配置文件取决于响应误差和取决于设计和因子设置的数量。 |
| |
但是对于这个预测方差剖面，Y 轴是预测的相对方差，即实际方差除以响应方差 |
| |
这样响应方差就被抵消了，预测方差分布只取决于 DSD 结构而不是响应。 |
| |
所以上图是中心点的平均方差，下图是最大方差，所以我们需要同时查看两者，因为平均方差表示有关整个设计的更多信息， |
| |
最大方差告诉您有关最坏情况点的信息。 所以平均方差是运行#9 |
| |
在 Run #9 的设置下，我们不得不用一些肉来代替。 在第 9 次运行时，方差为 0.06，这还算不错，并且方差关于中心点对称，这意味着替换不会严重影响它们的模型正交性。 |
| |
预测方差在拐角处总是最大的，因为您不想对拐角进行预测，因为它周围的点较少，而最佳运行通常在中心附近 |
| |
预测方差最小。 对于最大方差，您可以看到曲线对于饺子重量和肉类类型有点不对称。 |
| |
这个是 Run #18，但没有什么特别之处，所以应该没什么大不了的。 因此，由于这种 DSD 结构没有什么特别突出的，我们将继续运行 RSM 模型以用于连续肉类类型。 |
| |
因此，我们基于 p 值使用逐步进展和混合选择来运行 RSM 模型。 我们选择了逐步推进而不是普通的最小二乘回归，因为最小二乘 |
| |
至少需要与术语相同的运行次数，并且我们没有足够的运行来估计所有术语。 |
| |
所以三个重要的平均效应是水温、饺子重量和批次大小。 并且我们有水温乘以饺子重量的交互项。 |
| |
方差分析是显着的，这表明我们可以拒绝原假设并得出结论我们有一个模型。 我们没有过拟合问题 |
| |
因为 R 平方和 R 平方调整后的差异小于 10%。 对于失配窗口，失配误差和纯误差之和是方差分析表中的总误差平方和。 |
| |
而纯误差与模型无关，比如实验误差之类的东西，所以如果总残差比纯误差大。 |
| |
这意味着我们可能必须拟合非线性模型，因为线性模型的拟合度很高。 当所有误差仅由纯误差引起时，失配为零 |
| |
R平方值等于最大R平方。 由于缺乏拟合的 p 值大于 0.05，因此我们没有证据表明我们需要切换到稳健的非线性设计，因为与总残差相比，纯误差要小得多。 |
| |
现在 R 平方不是很好......不是很好，因为在运行 #6 中可能出现异常值，在学生化残差中看到，它触及任何限制的界限。 让我们看看为什么那次运行可能是一个异常值。 |
| |
因此，如果您查看第 6 次运行的预测分析器，我们会看到有一个大三角形，表示局部敏感性更高。 |
| |
这表明输入的微小变化会导致上升时间发生很大变化，这意味着在运行#6 的因子设置下瞬时斜率更大。 |
