| Vocero |
Transcripción |
| Mason Chen |
Hola, soy Mason y hoy presentaré el proyecto de cocina de dumplings en el que estudiamos la relación entre la estructura de datos, la física de los dumplings y los resultados de RSM. |
| |
La motivación detrás de este proyecto es que el COVID-19 ha aumentado la demanda de cocina remota y la inteligencia artificial y la robótica en la industria alimentaria desempeñarán un papel cada vez más importante a medida que la aplicación de la tecnología continúa extendiéndose. |
| |
Pero la mayoría de los alimentos se elaboran sin un control preciso de los parámetros de cocción, ya que dependemos de la experiencia del chef para crear platos consistentes. |
| |
Pero el control de calidad y la eficiencia serán mucho más importantes si el robot está cocinando una comida, por lo que decidimos utilizar albóndigas al vapor como un plato simple, nutritivo pero sabroso para preparar la receta óptima, de acuerdo con el tiempo de reposo de las albóndigas. |
| |
Como dije anteriormente, realizamos un experimento con dumplings, pero debido a la escasez de ingredientes, tuvimos que sustituir un tipo de carne diferente en el proceso experimental. |
| |
Entonces, cuando evaluamos el diseño del DOE, no era ortogonal ya que había algunos factores de confusión importantes. |
| |
Y cuando intentamos ejecutar el resultado de RSM con estos datos, también hubo un valor atípico potencial, particularmente la ejecución n.° 6, que queríamos estudiar más a fondo. |
| |
Así que nuestro primer objetivo con este proyecto es abordar la escasez desde un punto de vista correctivo. |
| |
Y veremos si podemos salvar la estructura DSD. Lo haremos cambiando primero el tipo de carne, que originalmente era una variable categórica de dos niveles que consistía en cerdo o camarones. |
| |
a una variable continua para que podamos utilizar porcentajes variables de tipo de carne para esas tres corridas que utilizamos con diferentes mezclas de camarones y cerdo. |
| |
Y luego evaluaremos la estructura de datos para este nuevo diseño DSD utilizando una variedad de herramientas de evaluación. |
| |
Bueno, dado que la estructura DSD no era problemática según esas herramientas, decidimos ejecutar un modelo RSM para ver si sus resultados están en línea con nuestra investigación científica sobre convección y conducción. |
| |
Si la estructura DSD hubiera sido problemática, podríamos haber recibido algunas interacciones falsas que no pueden explicarse científicamente. |
| |
y las interacciones que esperaríamos de la ciencia pueden quedar ocultas debido a la ausencia de ortogonalidad. |
| |
Y nuestro segundo objetivo después de encontrar un buen modelo DSD para dar cuenta de la escasez de ingredientes |
| |
Se trata de un enfoque más preventivo, donde se busca estudiar el impacto del posible valor atípico y un DSD estructurado mediante la revisión de la configuración. |
| |
El impacto de los valores atípicos puede ayudarnos a comprender mejor la importancia del control de la medición y un problema... al estudiar la estructura DSD |
| |
nos permitirá saber cómo la estructura confusa afectará nuestros resultados incluso antes de ejecutar nuestro experimento en el futuro. |
| |
Entonces, haremos el segundo objetivo modificando y comparando las configuraciones de los factores y la respuesta de la ejecución n.° 6, que es un valor atípico potencial, y la ejecución n.° 9, que es nuestro punto central, y estudiando si los resultados del modelo se deben a la confirmación de la estructura de los datos o si se pueden explicar mediante la física. |
| |
Entonces, la tabla de diseño original está a la derecha y las que sustituimos son las ejecuciones n.° 3, 4 y 9, como se resalta en naranja. |
| |
Ejecución n.° 9: nuevamente, este es el punto central, por lo que la sustitución podría afectar la ortogonalidad del modelo, como la varianza de predicción promedio que buscamos superponer. La ejecución original utiliza carnes categóricas de cerdo y camarones, por lo que mantuvimos la configuración. |
| |
camarones, incluso para estas tres carreras en las que tuvimos que sustituir algunos de los camarones por carne de cerdo. |
| |
El mapa coloreado del lado izquierdo muestra algunos grupos de confusión, por lo que el azul indica que no hay confusión y que no hay correlación entre esos dos términos. |
| |
El rojo oscuro indica confusión grave y alta correlación, por lo que la línea diagonal siempre será 1, ya que cada variable... cada término está 100% correlacionado consigo mismo. Entonces, ¿existen algunas líneas de resolución que afectan la confusión? |
| |
y |
| |
Para el tipo de carne categórico, especialmente con una correlación de alrededor de 0,3, y tenemos una Resolución IV severa, que implica un riesgo de interacción agravada, ya que algunos, como los bloques rojos, tienen una correlación superior a 0,5. Por lo tanto, no deberíamos... |
| |
Ejecute un modelo RSM desde aquí, ya que no se puede confiar en nuestros datos debido a la grave confusión. Por lo tanto, antes de ejecutar un modelo, necesitamos mejorar el RSM (la estructura de datos). Pero ¿cómo podemos abordar este problema sin recopilar los datos? |
| |
Entonces, dado que el tipo de carne categórico tenía problemas de confusión y debíamos tener en cuenta la sustitución del tipo de carne, decidimos cambiar el tipo de carne de categórico a continuo. |
| |
Cambiamos la variable esencialmente al porcentaje de camarones, de modo que el tipo de carne anterior que era todo camarón se cambió a 100% y los que eran todos de cerdo cambiaron a 0%. |
| |
Para tres carnes sustituidas, estimamos los valores porcentuales reales en función de lo que pudimos recordar sobre el historial de pedidos de la carne total que compramos en el supermercado ese día, es decir, 70, 40 y 65%. |
| |
Luego ejecutamos nuevamente el mapa de colores en las correlaciones y observamos el análisis de potencia para evaluar si la estructura de datos es o no más ortogonal. |
| |
El análisis de potencia es mayor que 0,9 para los efectos principales, lo que significa que hay una probabilidad mayor del 90 % de que podamos detectar un efecto significativo de estas variables. |
| |
Además, el mapa de colores indica una Resolución 1 ligeramente reducida, lo que genera confusión, ya que está sombreado en azul, especialmente para el tipo de carne continua. |
| |
Y la confusión de la Resolución 4 no cambia mucho, por lo que optaremos por mantener este modelo, ya que la ortogonalidad aparente no es mala, y más adelante, cuando ejecute el RSM, volveremos al mapa de colores para verificar si alguna interacción puede deberse a un problema de confusión. |
| |
A continuación, analizamos el perfil de varianza de predicción, que indica la varianza de predicción en diferentes niveles de factores. |
| |
Ahora bien, el perfil de predicción real depende tanto del error de respuesta como de una cantidad que depende del diseño y la configuración de factores. |
| |
Pero para este perfil de varianza de predicción, el eje Y es una varianza relativa de la predicción, que es la varianza real dividida por la varianza de la respuesta. |
| |
de modo que la varianza de respuesta se cancela y el perfil de varianza de predicción solo depende de la estructura DSD y no de la respuesta. |
| |
Entonces, el gráfico superior es la varianza promedio en el punto central y el inferior es la varianza maximizada, por lo que debemos observar ambos porque la varianza promedio indica más información sobre todo el diseño. |
| |
Y la varianza máxima proporciona información sobre el peor caso. Por lo tanto, la varianza promedio es la ejecución n.° 9. |
| |
En la configuración de la ejecución n.° 9, tuvimos que sustituir parte de la carne. En la ejecución n.° 9, la varianza es de 0,06, lo cual no es tan malo, y la varianza es simétrica respecto al punto central, lo que significa que la sustitución no afecta gravemente la ortogonalidad del modelo. |
| |
La variación de predicción siempre será mayor en las esquinas, ya que no desea hacer predicciones de las esquinas, porque hay menos puntos a su alrededor y la carrera óptima generalmente está alrededor del centro. |
| |
Con la menor varianza de predicción. Para la varianza máxima, se puede observar que la curva es ligeramente asimétrica para el peso del dumpling y el tipo de carne. |
| |
Esta es la ejecución n.º 18, pero no tiene nada de especial, así que no debería ser un problema grave. Dado que no ha habido nada destacable en esta estructura DSD, procederemos a ejecutar el modelo RSM para el tipo de carne continua. |
| |
Así que ejecutamos el modelo RSM usando progresión escalonada y selección mixta, con base en el valor p. Y elegimos una progresión escalonada en lugar de la regresión de mínimos cuadrados ordinarios, porque los mínimos cuadrados... |
| |
Necesitamos al menos el mismo número de ejecuciones que términos y no tenemos suficientes ejecuciones para estimar todos los términos. |
| |
Tres efectos medios importantes son la temperatura del agua, el peso del dumpling y el tamaño del lote. Tenemos el término de interacción de la temperatura del agua por el peso del dumpling. |
| |
El ANOVA es significativo, lo que indica que podemos rechazar la hipótesis nula y concluir que tenemos un modelo. No tenemos un problema de sobreajuste. |
| |
Como el R cuadrado y el R cuadrado ajustado difieren en menos del 10 %. Para la ventana de falta de ajuste, la suma del error de falta de ajuste y el error puro es la suma total de cuadrados del error de la tabla ANOVA. |
| |
Y el error puro es independiente del modelo, como en el caso del error experimental, por lo que si el error residual total es grande en comparación con el error puro. |
| |
Esto significa que podríamos tener que ajustar modelos no lineales, ya que el modelo lineal presenta una alta inadecuación. Cuando todo el error se debe únicamente al error puro, la inadecuación es nula. |
| |
y el valor R cuadrado es igual al R cuadrado máximo. En el valor p para la falta de ajuste es mayor que 0,05, por lo que realmente no tenemos evidencia de que necesitemos cambiar a un diseño no lineal robusto ya que el error puro es mucho menor en comparación con el error residual total. |
| |
Ahora bien, el R cuadrado no es muy bueno... ni excelente, debido al posible valor atípico en la ejecución n.º 6, observado en el residuo estudentizado, que roza el límite de cualquier límite. Veamos por qué esa ejecución podría ser un valor atípico. |
| |
Entonces, si observamos el generador de perfiles de predicción para la ejecución n.° 6, vemos que hay un triángulo grande, que indica una mayor sensibilidad local. |
| |
Y esto indica que un pequeño cambio en la entrada provoca un gran cambio en el tiempo de ascenso, lo que significa una pendiente instantánea mayor en los ajustes de factor para la ejecución n.° 6. |
