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 增加了对远程烹饪和人工智能的需求，随着技术应用的不断普及，食品行业中的机器人将发挥越来越重要的作用。 |
| |
但大多数食物的制作都没有精确控制烹饪参数，因为我们依靠厨师的专业知识来制作一致的菜肴。 |
| |
但如果机器人做饭，质量控制和效率就显得更加重要，所以我们决定以蒸饺作为一道简单、营养又美味的菜肴，根据饺子的发酵时间来准备最佳的食谱。 |
| |
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更换不同的肉类。 |
| |
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杂因素？？？。 |
| |
当我们尝试使用这些数据运行 RSM 结果时，还存在一个潜在的异常值，特别是运行#6，我们想进一步研究它。 |
| |
因此，我们这个项目的首要目标是从纠正（？）的角度解决短缺问题 |
| |
看看我们是否可以保存 DSD 结构。 我们将首先更改肉类类型，该类型最初是由猪肉或虾组成的二级分类变量 |
| |
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，这三个运行与虾和猪肉的不同混合物一起使用。 |
| |
然后我们将使用各种评估工具评估这个新 DSD 设计的数据结构。 |
| |
好吧，由于基于这些工具，DSD 结构没有问题，因此我们决定运行 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无法用科学解释的错误相互作用 |
| |
由于缺乏正交性，我们期望从科学中获得的相互作用可能会被隐藏。 |
| |
我们的第二个目标是找到一个好的 DSD 模型来解决原料短缺问题 |
| |
是一种更具预防性的方法，我们要研究潜在异常值和 ??? 的影响。 通过修改设置构建 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问题......同时研究DSD结构 |
| |
让我们在将来进行实验之前知道混杂结构将如何影响我们的结果。 |
| |
因此，我们将通过修改和比较运行#6（潜在的异常值）和运行#9（我们的中心点）的因子设置和响应来实现第二个目标，并研究模型结果是否是由于确认数据而产生的结构或者是否可以用物理学来解释。 |
| |
因此，原始设计表位于右侧，我们替换的为运行 #3、4 和 9，如橙色突出显示。 |
| |
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，例如我们要分层的平均预测方差。 最初的运行使用猪肉和虾的分类肉类，所以我们保留了设置 |
| |
虾，即使是这三轮，我们也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，因此蓝色表示没有混杂，这两个术语之间的相关性为零， |
| |
深红色表示严重混杂和高相关性，这就是为什么对角线始终为 1，因为每个变量...每个项都与其自身 100% 相关。 所以有一些分辨率线？？？影响混杂。 |
| |
和 |
| |
...对于肉类类型分类，尤其是大约 0.3 相关性，我们有一些严重的决议 IV，即相互作用相互作用复合风险，因为其中一些，例如红色块，相关性大于 0.5。 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信任到严重的混淆，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，我们应该用替代肉类类型来考虑，因此我们决定将肉类类型从分类更改为连续。 |
| |
我们将变量基本上更改为虾百分比，因此之前全部是虾的肉类类型更改为 100%，而全部是猪肉的肉类类型更改为 0%。 |
| |
对于三种替代肉类，我们根据当天在超市购买的全部肉类的订单历史记录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彩色图，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，这意味着我们有超过 90% 的机会可以检测到这些变量的显着效应。 |
| |
此外，上的颜色图表明分辨率 1 混杂因素略有减少，因为它的阴影更蓝，特别是对于连续的肉类类型。 |
| |
而分辨率 4 混杂并没有太大变化，所以我们会选择坚持这个模型，因为表观正交性还不错，稍后当你运行 RSM 时，我们将返回到颜色图以检查是否有任何交互可能由于混淆问题。 |
| |
接下来我们看一下预测方差概况，它表明不同因素水平下的预测方差。 |
| |
现在，实际的预测曲线取决于响应误差和取决于设计和因子设置的数量。 |
| |
但对于此预测方差分布，Y 轴是预测的相对方差，即实际方差除以响应方差 |
| |
以便响应方差相互抵消，并且预测方差分布仅取决于 DSD 结构而不取决于响应。 |
| |
因此，上图是中心点的平均方差，下图是最大化方差，因此我们需要同时查看两者，因为平均方差表明了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 Run #9 |
| |
在运行 #9 的设置中，我们必须替换一些肉。 在运行 #9 中，方差为 0.06，这还不错，并且方差关于中心点对称，这意味着替换不会严重影响模型的正交性。 |
| |
预测方差在拐角处总是最大，因为您不想对拐角进行预测，因为拐角周围的点较少，并且最佳运行通常在中心附近 |
| |
具有最小的预测方差。 对于最大方差，您可以看到曲线对于饺子重量和肉类型有点不对称。 |
| |
这是 Run #18，但没有什么特别的，所以应该没什么大不了的。 因此，由于此 DSD 结构没有任何重大突出之处，因此我们将继续针对连续肉类类型运行 RSM 模型。 |
| |
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。 我们选择逐步进展而不是普通的最小二乘回归，因为最小二乘 |
| |
至少需要与项相同数量的运行，但我们没有足够的运行来估计所有项。 |
| |
因此，三个重要的平均影响是水温、饺子重量和批量大小。 我们有水温乘以饺子重量的交互项。 |
| |
方差分析很显着，这表明我们可以拒绝原假设并得出我们有模型的结论。 我们没有过度拟合的问题 |
| |
因为 R 平方和调整后的 R 平方相差不到 10%。 对于失拟窗口，失拟误差与纯误差之和是方差分析表中的总误差平方和。 |
| |
纯误差与模型无关，例如实验误差，因此如果总残差与纯误差相比较大。 |
| |
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，则失拟合为零 |
| |
R平方值等于最大R平方。 缺乏拟合的 p 值大于 0.05，因此我们没有真正的证据表明我们需要切换到稳健的非线性设计，因为纯误差与总残差相比要小得多。 |
| |
现在，R 平方不是很好...不是很好，因为在学生化残差中看到运行 #6 中可能存在异常值，该值触及任何极限的界限。 让我们看看为什么这次运行可能是异常值。 |
| |
因此，如果您查看运行 #6 的预测刻画器，我们会看到有一个大三角形，这表明局部灵敏度更高。 |
| |
这表明输入的微小变化会导致上升时间的较大变化，这意味着运行 #6 的因子设置具有更大的瞬时斜率。 |
