| Oratore |
Trascrizione |
| Mason Chen |
Ciao a tutti, sono Mason e oggi vi presenterò il progetto sulla 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 nel settore alimentare svolgeranno un ruolo sempre più importante con la continua diffusione delle applicazioni tecnologiche. |
| |
Tuttavia, la maggior parte dei cibi viene preparata senza un controllo preciso dei parametri di cottura, poiché facciamo affidamento sulla competenza dello chef per creare piatti coerenti. |
| |
Ma il controllo qualità e l'efficienza saranno molto più importanti se il robot cucina un pasto, quindi abbiamo deciso di utilizzare i ravioli al vapore come piatto semplice, nutriente ma gustoso per preparare la ricetta ottimale, in base al tempo di lievitazione dei ravioli. |
| |
Come ho detto prima, abbiamo fatto un esperimento con i ravioli, ma a causa della carenza di ingredienti abbiamo dovuto sostituirli con un tipo di carne diverso nel processo sperimentale. |
| |
Quindi quando abbiamo valutato il progetto DOE, non era ortogonale in quanto presentava alcuni importanti fattori confondenti ???. |
| |
E quando abbiamo provato a eseguire il risultato RSM con questi dati, c'era anche un potenziale valore anomalo, in particolare il valore Run #6, che volevamo studiare ulteriormente. |
| |
Quindi il nostro primo obiettivo di questo progetto è quello di 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 categoriale 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 prove che utilizziamo con diverse miscele di gamberi e maiale. |
| |
Valuteremo quindi la struttura dei dati per questo nuovo progetto DSD utilizzando una serie di strumenti di valutazione. |
| |
Bene, poiché la struttura DSD non risultava problematica in base a quegli strumenti, abbiamo deciso di eseguire un modello RSM per verificare se i suoi risultati fossero in linea con la nostra ricerca scientifica riguardante convezione e conduzione. |
| |
Se la struttura 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 di un DSD ??? strutturato mediante la revisione delle 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 della struttura dei dati o se possono essere spiegati dalla fisica. |
| |
Quindi la tabella di progettazione originale è sulla destra e quelle che abbiamo sostituito sono le Run n. 3, 4 e 9, evidenziate in arancione. |
| |
Esecuzione n. 9, di nuovo, questo è il punto centrale, quindi la sostituzione potrebbe influire sull'ortogonalità del modello, come la varianza media della previsione che stiamo cercando di applicare. L'esecuzione originale utilizza tipi di carne categoriali come maiale e gamberetti, quindi abbiamo mantenuto l'impostazione. |
| |
gamberetti, anche in queste tre corse in cui abbiamo dovuto sostituire alcuni gamberetti con carne di maiale. |
| |
La mappa colorata sul lato sinistro mostra alcuni gruppi confondenti, quindi il blu indica nessuna confondibilità, zero correlazione tra quei due termini, |
| |
e il rosso scuro indica un forte confondimento e un'elevata 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 |
| |
...per il tipo di carne categoriale, in particolare con una correlazione di circa 0,3, e abbiamo una grave Risoluzione IV, che rappresenta un rischio di interazione aggravato, poiché alcuni di essi, come i blocchi rossi, presentano una correlazione superiore a 0,5. Quindi non dovremmo |
| |
Eseguiamo un modello RSM da qui, poiché i nostri dati stessi non possono essere considerati affidabili a causa del grave confondimento, quindi prima di procedere all'esecuzione di un modello, dobbiamo migliorare l'RSM... la struttura dei dati. Ma come possiamo affrontare questo problema senza raccogliere nuovamente i dati? |
| |
Quindi, poiché la tipologia di carne categoriale presentava problemi di confondimento e avremmo dovuto tenerne conto sostituendo la tipologia di carne, abbiamo deciso di modificare la tipologia di carne da categoriale a continua. |
| |
Abbiamo modificato la variabile sostanzialmente in percentuale di gamberi, quindi il tipo di carne precedente, che era composto solo da gamberi, è stato modificato al 100% e quello che era composto solo da maiale è stato modificato allo 0%. |
| |
Per tre carni sostituite, abbiamo stimato i valori percentuali reali in base a ciò che potevamo ricordare sulla cronologia degli ordini per la carne totale che avevamo acquistato al supermercato quel giorno, quindi 70, 40 e 65%. |
| |
Abbiamo quindi eseguito nuovamente la mappa dei colori sulle correlazioni e analizzato l'analisi della potenza per valutare se la struttura dei dati fosse più ortogonale o meno. |
| |
L'analisi della potenza è superiore a 0,9 per gli effetti principali, il che significa che c'è una probabilità superiore al 90% di poter rilevare un effetto significativo di queste variabili. |
| |
Inoltre, la mappa dei colori indica una leggera riduzione della confondibilità della Risoluzione 1, in quanto è ombreggiata in blu, in particolare per il tipo di carne continuo. |
| |
E il problema di confondimento della Risoluzione 4 non cambia molto, quindi sceglieremo di attenerci a questo modello, poiché l'apparente ortogonalità non è negativa, e più avanti, quando eseguirai l'RSM, torneremo alla mappa dei colori per verificare se qualche interazione potrebbe essere dovuta a un problema di confondimento. |
| |
Ora esamineremo 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 sia 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 punto del caso peggiore. Quindi la varianza media è la Corsa n. 9. |
| |
Con le impostazioni della Run #9, abbiamo dovuto sostituire parte della carne. E nella Run #9, la varianza è 0,06, il che non è un male, ed è simmetrica rispetto al punto centrale, il che significa che la sostituzione non ha un impatto significativo sull'ortogonalità del modello. |
| |
La varianza della previsione sarà sempre maggiore negli angoli, poiché non si vogliono fare previsioni sugli angoli, perché ci sono meno punti intorno ad essi e la corsa ottimale è solitamente intorno al centro |
| |
Con la minima varianza di previsione. Per la massima varianza, si può notare che la curva è leggermente asimmetrica per il peso dei ravioli e il tipo di carne. |
| |
Questa è la Run n. 18, ma non ha nulla di speciale, quindi non dovrebbe essere un granché. Quindi, dato che non ci sono stati particolari particolari per questa struttura DSD, procederemo con l'esecuzione del modello RSM per il tipo di carne continua. |
| |
Abbiamo quindi eseguito il modello RSM utilizzando la progressione stepwise e la selezione mista, in base al valore p. E abbiamo scelto una progressione stepwise invece della regressione ordinaria dei minimi quadrati, perché i minimi quadrati |
| |
sono necessarie almeno tante esecuzioni quante sono i termini e non abbiamo abbastanza esecuzioni per stimare tutti i termini. |
| |
Quindi tre importanti effetti medi sono la temperatura dell'acqua, il peso dei ravioli e la dimensione del lotto. E abbiamo il termine di interazione tra la temperatura dell'acqua e il peso dei ravioli. |
| |
L'ANOVA è significativa, il che indica che possiamo rifiutare l'ipotesi nulla e concludere di avere un modello. Non abbiamo un problema di overfitting. |
| |
poiché R quadrato e R quadrato corretto 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 ad esempio l'errore sperimentale, quindi se l'errore residuo totale è grande rispetto all'errore puro. |
| |
Ciò significa che potremmo dover adattare modelli non lineari, poiché il modello lineare presenta un'elevata mancanza di adattamento. Quando tutto l'errore è dovuto esclusivamente a errore puro, allora non c'è alcuna mancanza di adattamento. |
| |
e il valore R quadrato è uguale al massimo R quadrato. Il valore p per la mancanza di adattamento è maggiore di 0,05, quindi non abbiamo prove concrete della necessità di passare a un design non lineare robusto, poiché l'errore puro è molto più piccolo rispetto all'errore residuo totale. |
| |
Ora, l'R quadrato non è molto buono... non eccellente, a causa del possibile valore anomalo nella sequenza n. 6, rilevato nel residuo studentizzato, che tocca il limite per qualsiasi limite. Vediamo perché quella sequenza potrebbe essere un valore anomalo. |
| |
Quindi, se si osserva il profiler di previsione per la Run n. 6, si nota la presenza di un grande triangolo, che indica una maggiore sensibilità locale. |
| |
Ciò indica che una piccola modifica nell'input provoca una grande modifica nel tempo di salita, il che significa una pendenza istantanea maggiore alle impostazioni del fattore per la corsa n. 6. |
