| 扬声器 |
抄本 |
| 陈梅森 |
大家好，我是梅森，今天我将介绍饺子烹饪项目，我们在其中研究了数据结构、饺子物理学和 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，并且随着技术应用的不断普及，食品行业的人工智能和机器人技术将发挥越来越重要的作用。 |
| |
但大多数食物的制作过程中并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，质量控制和效率将变得更加重要，因此我们决定使用蒸饺作为简单、营养又美味的菜肴，根据饺子发酵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，我们不得不在实验过程中用不同的肉类代替。 |
| |
因此，当我们评估 DOE 设计时，它并不正交，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，也存在一个潜在的异常值，特别是运行 #6，我们想对其进行进一步研究。 |
| |
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。 |
| |
看看我们能否保留 DSD 结构。我们首先要更改肉类类型，它原本是一个由猪肉或虾组成的两级分类变量 |
| |
变成连续变量，这样我们就可以在三次试验中使用不同比例的肉类，并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来评估这种新 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，我们决定运行 RSM 模型来查看其结果是否与我们关于对流和传导的科学研究一致。 |
| |
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，我们期望从科学中看到的相互作用可能会被隐藏起来。 |
| |
在找到一个好的 DSD 模型来解决原料短缺问题之后，我们的第二个目标是 |
| |
是一种更具预防性的方法，我们希望研究潜在异常值的影响以及通过修改设置构建的??? 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以及研究DSD结构时遇到的问题…… |
| |
甚至在未来进行实验之前，我们就能知道混淆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（潜在异常值）和运行 #9（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归因于确认数据结构或者是否可以用物理学来解释。 |
| |
因此，原始设计表在右侧，我们替换的是运行#3、4 和 9，以橙色突出显示。 |
| |
运行 #9，同样，这是中心点，因此替换可能会影响模型的正交性，例如我们希望分层的平均预测方差。原始运行使用了猪肉和虾这两个分类肉类，因此我们保留了设置 |
| |
虾，甚至在这三次运行中，我们不得不用猪肉代替一些虾。 |
| |
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，这两个术语之间零相关性， |
| |
深红色表示混杂因素严重且相关性高，因此对角线始终为 1，因为每个变量……每个项都与其自身 100% 相关。所以有一些分辨线 ??? 会影响混杂因素。 |
| |
和 |
| |
对于肉类类型分类，尤其是大约0.3的相关性，我们有一些严重的分辨率IV，即交互作用复合风险，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 |
| |
从这里开始运行RSM模型，因为我们的数据本身无法完全信任严重的混杂因素，所以在继续运行模型之前，我们需要改进RSM……也就是数据结构。但是，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杂问题，并且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。 |
| |
我们将变量基本上改为虾的百分比，因此之前全是虾的肉类类型变为 100%，而全是猪肉的肉类类型变为 0%。 |
| |
对于三种替代肉类，我们根据对当天在超市购买的肉类总订单历史记录的回忆，估算出真实的百分比值，即 70%、40% 和 65%。 |
| |
然后，我们再次运行相关性颜色图，并查看功率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著影响。 |
| |
此外，颜色图显示分辨率 1 的混杂效应略有降低，因为它的阴影颜色更蓝，尤其是对于肉类类型连续而言。 |
| |
并且分辨率 4 混杂变化不大，因此我们将选择坚持使用此模型，因为明显的正交性还不错，稍后当您运行 RSM 时，我们将返回到颜色图以检查是否有任何交互可能是由于混杂问题引起的。 |
| |
接下来我们看一下预测方差概况，它表明不同因素水平的预测方差。 |
| |
现在，实际预测概况取决于响应误差以及取决于设计和因子设置的数量。 |
| |
但对于此预测方差曲线，Y 轴是预测的相对方差，即实际方差除以响应方差 |
| |
这样响应方差就会抵消，预测方差曲线仅取决于 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，因为平均方差可以表示有关整个设计的更多信息， |
| |
最大方差告诉你最坏情况的信息。所以平均方差是第 9 次运行 |
| |
在运行#9的设置下，我们不得不替换一些肉。在运行#9时，方差为0.06，这还不算太糟糕，而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的，因为你不想对拐角进行预测，因为拐角周围的点较少，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型有点不对称。 |
| |
这是第18次运行，但没有什么特别之处，所以应该不会有太大问题。既然这个DSD结构没有什么特别突出的地方，我们将继续运行连续肉类类型的RSM模型。 |
| |
因此，我们基于p值，采用逐步递增和混合选择的方法，运行了RSM模型。我们选择逐步递增而不是普通的最小二乘回归，因为最小二乘 |
| |
至少需要与项数相同的运行次数，但我们没有足够的运行次数来估计所有项。 |
| |
因此，三个重要的平均效应是水温、饺子重量和批量大小。并且我们有一个水温与饺子重量的交互项。 |
| |
方差分析显著，表明我们可以拒绝零假设，并得出结论：我们有一个模型。我们没有过拟合问题。 |
| |
因为 R 平方和调整后的 R 平方相差小于 10%。对于失拟窗口，失拟误差与纯误差之和即为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，因此如果总残差误差与纯误差相比很大。 |
| |
这意味着我们可能需要拟合非线性模型，因为线性模型的失拟度很高。当所有误差都归因于纯误差时，失拟度为零。 |
| |
且 R 平方等于最大 R 平方。失拟的 P 值大于 0.05，因此我们并没有证据表明需要切换到稳健非线性设计，因为纯误差与总残差误差相比要小得多。 |
| |
现在，R 平方值不太好……不是特别好，因为第 6 次运行中学生化残差可能存在异常值，该值已经触及任何极限的边界。让我们看看为什么那次运行可能是异常值。 |
| |
因此，如果您查看运行＃6的预测分析器，我们会看到有一个大三角形，这表明局部敏感度更高。 |
| |
这表明输入的微小变化会导致上升时间的巨大变化，这意味着运行#6 的因子设置具有更大的瞬时斜率。 |
