Niveau: Anfänger
Yongxin Cui, Student, Business Analytics und Projektmanagement-Programm, University of Connecticut School of Business
Tianhao Zhao, Student, Programm für Geschäftsanalyse und Projektmanagement, University of Connecticut School of Business
Xinyin Miao, Studentin, Programm für Geschäftsanalyse und Projektmanagement, University of Connecticut School of Business
1. Zusammenfassung
Die Beurteilung der Weinqualität ist besonders für Weinhändler wichtig, die ihre Weine an die breite Öffentlichkeit verkaufen, da sie in der Regel nicht über die Ressourcen verfügen, ein riesiges Weinsortiment zu führen, und sicherstellen müssen, dass ihr Sortiment hochwertige Weine umfasst, die den immer anspruchsvolleren Gaumen der breiten Öffentlichkeit zufriedenstellen. Unser Team entschied sich, die Data-Mining-Tools von JMP zu nutzen, um zu untersuchen, ob die Qualität eines Weins – eine subjektive Bewertung durch die Öffentlichkeit – anhand von elf beschreibenden Variablen (bestehend aus weinchemischen Messungen oder üblichen Berechnungen, die auf diesen Messungen basieren) vorhergesagt werden kann. Unser Ziel war ein sparsames Modell mit möglichst wenigen Variablen, das einem Weingut helfen würde, qualitativ hochwertigeren Wein zu produzieren. Darüber hinaus analysierte unser Team den Unterschied zwischen Rotwein und Weißwein. Unsere vorläufige Schlussfolgerung lautet, dass bei Rotwein vier Variablen (flüchtige Säure, Gesamtschwefeldioxid, Sulfate und Alkohol) ausreichende Prädiktoren für hohe Qualität sein können, während bei Weißwein fünf Variablen (feste Säure, flüchtige Säure, Restzucker, Sulfate und Alkohol) ausreichen können, um hohe Qualität vorherzusagen.
2. Methodik
In diesem Abschnitt wird die SEMMA-Methode verwendet, um die Datensätze zu Rot- und Weißwein zu untersuchen.
Probe
Sowohl der Rotwein- als auch der Weißwein-Datensatz enthalten 12 Variablen. Der Rotwein-Datensatz umfasst 1599 Zeilen, der Weißwein-Datensatz 4898 Zeilen. Für dieses Projekt war es nicht erforderlich, kleinere Stichproben dieser Datensätze zu verwenden, da beide klein genug für die Verarbeitung mit den verfügbaren Computerressourcen und groß genug für den Inhalt aussagekräftiger Informationen sind.
Erkunden
Für jeden Wein enthält der Datensatz 11 Prädiktoren in Bezug auf die physikalischen und chemischen Eigenschaften des Weins und eine subjektive Bewertung der Weinqualität. Die Messvariablen sind alle kontinuierlich. Die Variable zur Qualitätsbewertung ist ordinal und reicht von 1 (niedrigste Qualität) bis 10 (höchste Qualität). Die Prädiktorvariablen sind alle kontinuierliche Variablen, die entweder die physikalischen oder chemischen Eigenschaften des Weins beschreiben. Ursprünglich wurde angenommen, dass die Dichte eine starke Beziehung zu einigen der anderen Variablen hat, wie etwa Schwefeldioxid, Sulfate und andere chemische Komponenten, die die Dichte des Weins beeinflussen könnten. Darüber hinaus zeigt der Bericht der Verteilungsfunktion in JMP, dass jede Prädiktorvariable als nahezu normal bestimmt wurde, mit Ausnahme des Restzuckers, der stark linksschief ist. Falls erforderlich, wird der Restzucker in der Analyse transformiert. Die stark gestreuten Verteilungen von Restzucker und Chloriden könnten ebenfalls Ausreißer darstellen oder verbergen.
Ändern
(1) Korrigieren Sie Inkonsistenzen und offensichtliche Fehler
Es gibt keine Inkonsistenzen und offensichtlichen Fehler in den beiden Datensätzen.
(2) Ändern Sie den Datentyp
Idealerweise würden diese Daten das Ziel, die „Qualitätsstufe“, als kontinuierliche Variable bestimmen. Dies hätte jedoch zu Problemen führen können. Diese Qualitätsstufe muss zwischen 1 und 10 liegen, um der subjektiven Qualitätsbewertung zu entsprechen. Eine kontinuierliche Qualitätsstufe könnte zu unrealistischen Ergebnissen führen (Qualitätsstufen größer als 10 oder kleiner als 0). Eine ordinale Qualitätsstufe, die den subjektiven Bewertungen entspricht, würde die Situation nicht verbessern, da in beiden Fällen immer noch eine Grenze zwischen hoher und niedriger Qualität ermittelt werden müsste. Eine einzige binäre ordinale Qualitätsstufe wäre für Händler wahrscheinlich besser geeignet, wenn die meisten Händler ein breites Sortiment an Weinen höherer Qualität führen möchten. Da die subjektiven Qualitätsbewertungen für Rot- und Weißweine einen Medianwert von 6 hatten, wurde eine Qualitätsstufe als hoch gewählt, wenn die subjektive Bewertung gleich oder größer als 6 war, und als niedrig, wenn sie unter 6 lag. Das linke Bild zeigt die Qualitätsstufe für Rotwein, das rechte Bild die für Weißwein.
(3) Ausreißer erkennen und behandeln
Die Ausreißer oder Extremwerte im Datensatz können die Analyse der restlichen Daten beeinflussen. Das Ergebnis von „Ausreißer untersuchen“ in JMP zeigt, dass die beiden Datensätze einige Extremwerte enthalten, die sich hauptsächlich auf Restzucker, Chloride und Sulfate konzentrieren. Die Funktion „Robuste Analyse“ lokalisiert außerdem „extreme“ Zeilen. Im Rotwein beträgt die Chloridkonzentration in den Zeilen 152 und 259 0,61 und 0,611, was viel höher ist als die Werte in anderen Zeilen. Weinforschung hat gezeigt, dass Chlorid die Gesundheit von Menschen schädigen kann, und viele Länder haben Obergrenzen für die Chloridmenge festgelegt. In Australien beispielsweise beträgt der maximal zulässige Chloridgehalt 607 mg/l, was in diesem Projekt als Chlorid-Grenzwert festgelegt wurde. Darüber hinaus gibt es noch einige weitere gesetzliche Grenzwerte. Die Liste ist unten aufgeführt.
(4) Umgang mit fehlenden Werten
Fehlende Werte treten auf, wenn in Beobachtungen keine Daten gespeichert sind. Der Funktions-Explorer „Fehlende Werte“ zeigt, dass in Rot- und Weißwein-Datensätzen keine fehlenden Werte vorhanden sind.
(5) Datenreduzierung
Einige Variablen enthalten möglicherweise ähnliche Informationen. Ihre Einbeziehung könnte das Modell unnötig komplex machen und die Interpretation sogar erschweren oder verwirrender machen. Vor der Modellerstellung müssen alle Variablen ausgeschlossen werden, die dieselben Informationen wie eine andere Variable enthalten. Die multivariate Funktion in JMP identifiziert Beziehungen zwischen abhängigen Variablen.In diesem Projekt wird angenommen, dass zwei Variablen potenzielle Überschneidungsinformationen enthalten, wenn der Korrelationswert zwischen ihnen größer als 0,6 ist. Zur Bestätigung dieser Annahme ist dann Fachwissen erforderlich.
Hauptkomponentenanalyse
Eine weitere Methode zur Reduzierung von Informationsüberschneidungen zwischen Variablen ist die Hauptkomponentenanalyse. Sie kann die Informationsüberschneidung zwischen Variablen beseitigen, die Redundanz des Modells reduzieren und es ermöglichen, mit weniger Variablen eine große Informationsmenge darzustellen. Die PCA-Funktion in JMP erstellt Hauptkomponenten, die die meisten Informationen eines Datensatzes mit weniger Variablen enthalten. Generell sollten Hauptkomponenten mit einem Eigenwert größer als 1 gewählt werden. Die ersten sieben Hauptkomponenten in Rot und Weiß sollten jedoch verwendet werden, da sie etwa 90 Prozent der Informationen enthalten.
e. Überwachtes Lernen – Klassifizierungsmodell
In diesem Projekt wurden zur Modellerstellung logistische Regression, Entscheidungsbäume, Bootstrap-Bäume und -Wälder sowie neuronale Netzwerke verwendet.
(1) Logistische Regression
Die logistische Regression kann im Modell verwendet werden, wenn die Ergebnisvariablen ordinal oder nominal sind. Diese Methode ist weit verbreitet, insbesondere wenn ein Strukturmodell Erklärungen oder Vorhersagen liefern soll. Da es bei dieser Weinanalyse darum geht, die Qualität des Weins zu ermitteln, ist die logistische Regression eine der besten Methoden. Die Funktion „Modell anpassen“ in JMP kann einen Bericht über das Modell erstellen. Anschließend werden Variablen mit einem p-Wert größer als 0,05 aus dem Modell entfernt, sofern die Fehlklassifizierungsrate nicht beeinflusst wird. Die schrittweise Funktion im Anpassungsmodell kann außerdem verwendet werden, um die beste Variablenauswahl mit maximaler R-Quadrat-Validierung zu finden.
(2) Entscheidungsbaum (Partition)
Bei der Entscheidungsbaummethode werden nicht transformierte Variablen in die Partitionsfunktion eingegeben, da jede monotone Transformation der Variablen denselben Baum ergibt. Mit der Schaltfläche „Los“ in der Partitionsfunktion können die besten Aufteilungen automatisch ermittelt werden. Die beste Aufteilung für Rotwein beträgt 8-mal und für Weißwein 14-mal. Basierend auf dem Aufteilungsverlauf kann der R-Quadrat-Wert jedoch ähnlich sein, wenn wir die Anzahl der Aufteilungen auf 6 bzw. 8 reduzieren. Diese Methode kann die Komplexität des Modells reduzieren, ohne dessen Genauigkeit zu beeinträchtigen.
(3) Bootstrap-Baum und Bootstrap-Wald
Wie die Entscheidungsbaummethode kann JMP das Ergebnis des gebooteten Baum- und des gebooteten Waldmodells melden, wenn Variablen in die Funktion eingegeben werden. Um zu verhindern, dass das Waldmodell zu komplex wird, reduzieren wir die maximale Teilungszeit von 2000 auf 25.
(4) Neuronale Netze
Der Vorteil neuronaler Netze liegt in ihrer hohen Vorhersageleistung. Ihre Struktur ermöglicht die Erfassung sehr komplexer Beziehungen zwischen Prädiktoren und einer Antwort, was mit anderen Vorhersagemodellen oft nicht möglich ist. Allerdings müssen die Eingangsvariablen neuronaler Netze vorselektiert werden, da das neuronale Netz die Variablen nicht selbst auswählen kann. Der gängige Ansatz zur Ermittlung des leistungsstärksten neuronalen Netzes besteht darin, mit einem sehr einfachen Standard-Neuronalen Modell mit einer Schicht und drei Knoten zu beginnen, dann ein komplexeres Modell mit zwei Schichten, mehreren Knoten und verschiedenen Aktivierungsfunktionen zu erstellen und diesen Prozess so lange fortzusetzen, bis zufriedenstellende Vorhersagen erzielt werden.
f. Ergebnisse und Zugang
Die Vergleichsmatrix zeigt, dass das Entropie-R-Quadrat und das verallgemeinerte R-Quadrat des Boosted Forest am höchsten und RMSE und Fehlklassifizierungsrate am niedrigsten sind. Auch die Genauigkeit des Booted Forest ist am höchsten. Die logistische Regression wird jedoch als bestes Modell gewählt, obwohl nicht alle Parameter optimal sind. Die Parameter liegen nahe an denen anderer Modelle. Darüber hinaus ist das logistische Modell einfach, und die Prädiktoren sind leicht zu interpretieren. Daher gelten die logistischen Regressionsmodelle von Rot und Weiß als die besten Modelle.
3. Schlussfolgerungen und Empfehlungen
Bei Rotwein haben Alkohol, Restzucker, Sulfate und Gesamtschwefeldioxid eine positive Beziehung zu hoher Qualität, während feste Säure und flüchtige Säure eine negative Beziehung zu hoher Qualität haben. Bei Weißwein haben Alkohol und Sulfate eine positive Beziehung zu hoher Qualität, während flüchtige Säure, Zitronensäure und Gesamtschwefeldioxid eine geringe Beziehung zu hoher Qualität haben. Die Modellformeln sind wie folgt. Links ist Rotwein, rechts Weißwein. (Hinweis: Die Formel gilt für niedrige Qualität.)
Säure
Säuren sind eines der vier Grundmerkmale von Wein und verleihen ihm einen herben und sauren Geschmack. Säure verleiht dem Wein Vitalität und Frische und verstärkt seinen Geschmack. Säure macht appetitanregend und weckt Lust auf mehr. Geringe Säurekonzentrationen steigern die Geschmackskomplexität, hohe Säurekonzentrationen verderben den Wein.
TOTOL SCHWEFELDIOXID UND SULFATE
Sulfite konservieren Wein und verlangsamen chemische Reaktionen, die den Wein verderben lassen. Sie verhindern das Wachstum von Bakterien und Hefen und erhalten so den frischen Geschmack des Weins. Der hohe Schwefeldioxidgehalt führt jedoch zu einem unangenehmen Geruch nach faulen Eiern, der nach dem Trinken gesundheitliche Probleme verursachen kann.
RESTZUCKER
Restzucker (oder RS) stammt aus dem natürlichen Traubenzucker, der nach Abschluss der alkoholischen Gärung im Wein übrig bleibt.Es kann eine der vier grundlegenden Eigenschaften des Weins verbessern: die Süße.
ALKOHOL
Alkohol ist auch eines der vier Grundmerkmale. Er kann die Lymphe beeinträchtigen und äußert sich oft in einem brennenden Gefühl an der Zungenwurzel und im Hals.
Empfehlungen zur Herstellung
Bei Weißwein empfiehlt es sich, den Gehalt an flüchtiger Säure zu kontrollieren, die feste Säure zu senken, weniger Restzucker hinzuzufügen, sowohl Schwefeldioxid als auch Sulfat zu erhöhen und den Alkoholgehalt im angemessenen Rahmen zu halten. Bei Rotwein empfiehlt es sich, den Gehalt an flüchtiger Säure zu kontrollieren, die Zitronensäure zu senken, den Gesamtschwefeldioxidgehalt beizubehalten oder sogar zu senken, mehr Sulfat hinzuzufügen und den Alkoholgehalt im angemessenen Rahmen zu halten.
Empfehlungen für Verbraucher
Farbe, Alkohol und Geruch sind ein gutes Zeichen für die Qualität des Weines.Wählen Sie einen Wein mit heller Farbe. Je dunkler die Farbe, desto höher der Säuregehalt. Der Säuregehalt hat jedoch einen negativen Einfluss auf die Qualität.Riechen Sie vor dem Kauf am Korken. Der Geruch nach faulen Eiern bedeutet, dass der Wein ungesund ist, insbesondere bei Rotwein.Wählen Sie, wenn möglich, den Wein mit dem höheren Alkoholgehalt.
Referenz
Coli, Marina Sonegheti, et al. „Chloridkonzentration in Rotweinen: Einfluss von Terroir und Rebsorte.“ Lebensmittelwissenschaft und -technologie (Campinas) , Bd. 35, Nr. 1, 2015, S. 95–99, doi:10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. „Freies Schwefeldioxid in Bier als Differenz zwischen Gesamtschwefeldioxid und Acetaldehyd: Ein voltammetrischer Ansatz.“ Zeitschrift der Amerikanischen Gesellschaft der Brauchemiker , Bd. 61, Nr. 4, 2003, S. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
