Livello: Principiante
Yongxin Cui, studente, programma di analisi aziendale e gestione dei progetti, facoltà di economia aziendale dell'Università del Connecticut
Tianhao Zhao, studente, programma di analisi aziendale e gestione dei progetti, facoltà di economia aziendale dell'Università del Connecticut
Xinyin Miao, studentessa, programma di analisi aziendale e gestione dei progetti, facoltà di economia aziendale dell'Università del Connecticut
1. Riepilogo esecutivo
La qualità del vino è particolarmente importante per i commercianti di vino che vendono al grande pubblico, poiché solitamente non hanno le risorse per immagazzinare un enorme inventario di vini e devono essere sicuri che il loro inventario includa vini di alta qualità che soddisfino il palato sempre più esigente del grande pubblico. Il nostro team ha deciso di utilizzare gli strumenti di data mining disponibili in JMP per esaminare se la qualità di un vino, una valutazione soggettiva del pubblico, potesse essere prevista da 11 variabili descrittive (composte da misurazioni della chimica del vino o calcoli comunemente effettuati da tali misurazioni). Il nostro obiettivo era un modello parsimonioso, con il minor numero di variabili, che avrebbe aiutato una cantina a produrre vino di qualità superiore. Inoltre, il nostro team avrebbe analizzato la differenza tra vino rosso e vino bianco. La nostra conclusione preliminare è che per il vino rosso quattro variabili (acidità volatile, anidride solforosa totale, solfati e alcol) possono essere sufficienti predittori di alta qualità, mentre per il vino bianco cinque variabili (acidità fissa, acidità volatile, zucchero residuo, solfati e alcol) possono essere sufficienti predittori di alta qualità.
2. Metodologia
In questa sezione, il metodo SEMMA viene utilizzato per esplorare i set di dati sui vini rossi e bianchi.
Campione
Sia il dataset del vino rosso che quello del vino bianco hanno 12 variabili. Il dataset del vino rosso ha 1599 righe e il dataset del vino bianco ne ha 4898. Per questo progetto, non è stato necessario utilizzare campioni più piccoli di questi dataset poiché entrambi sono abbastanza piccoli da essere elaborati con le risorse informatiche disponibili e abbastanza grandi da contenere informazioni significative.
Esplorare
Per ogni vino, il set di dati contiene 11 predittori correlati alle proprietà fisiche e chimiche del vino e una valutazione soggettiva della qualità del vino. Le variabili di misurazione sono tutte continue. La variabile di valutazione della qualità è ordinale e varia da 1 (qualità più bassa) a 10 (qualità più alta). Le variabili predittive sono tutte variabili continue che descrivono le proprietà fisiche o chimiche del vino. Inizialmente, si supponeva che la densità avesse una forte relazione con alcune delle altre variabili, come l'anidride solforosa, i solfati e altri componenti chimici che potrebbero influenzare la densità del vino. Inoltre, il report della funzione di distribuzione in JMP indica che ogni variabile predittiva è stata determinata come quasi normale, ad eccezione dello zucchero residuo, che è fortemente asimmetrico a sinistra. Se necessario, lo zucchero residuo verrà trasformato nell'analisi. Le distribuzioni ampiamente diffuse di zucchero residuo e cloruri potrebbero anche rappresentare o nascondere valori anomali.
Modificare
(1) Correggere le incongruenze e gli errori evidenti
Non ci sono incongruenze o errori evidenti nei due set di dati.
(2) Cambia il tipo di dati
Idealmente, questi dati determinerebbero il target, "livello di qualità", come una variabile continua. Ma questo avrebbe potuto causare problemi. Questo livello di qualità deve essere compreso tra 1 e 10 per corrispondere alla valutazione soggettiva della qualità. Se il livello di qualità fosse continuo, potrebbe portare a risultati non realistici (livelli di qualità superiori a 10 o inferiori a 0). Rendere il livello di qualità un ordinale che corrispondesse alle valutazioni soggettive non migliorerebbe le cose poiché in entrambi i casi si dovrebbe comunque determinare un limite tra vini di alta e bassa qualità. Un singolo livello di qualità ordinale binario sarebbe probabilmente meglio per i commercianti se la maggior parte dei commercianti volesse immagazzinare un'ampia gamma di vini di migliore qualità. Poiché le valutazioni soggettive della qualità per i vini rossi e bianchi avevano un valore mediano di 6, è stato scelto un livello di qualità alto se il punteggio della valutazione soggettiva era uguale o superiore a 6 e basso se il punteggio della valutazione soggettiva era inferiore a 6. Quello a sinistra è il livello di qualità del vino rosso e quello a destra è il livello di qualità del vino bianco.
(3) Rilevare e gestire i valori anomali
I valori anomali o estremi nel set di dati potrebbero influenzare l'analisi del resto dei dati. Il risultato di Explore Outliers in JMP indica che i due set di dati includono alcuni valori estremi, la maggior parte dei quali sono concentrati nello zucchero residuo, nei cloruri e nei solfati. Inoltre, la funzione Robust Analysis individua ulteriormente le righe "estreme". Nel vino rosso, la concentrazione di cloruri nelle righe 152 e 259 è 0,61 e 0,611, che sono molto più alti dei valori nelle altre righe. La ricerca sul vino ha dimostrato che il cloruro può danneggiare la salute delle persone e molti paesi hanno stabilito limiti massimi per le quantità di cloruri. Ad esempio, in Australia il livello massimo di cloruro consentito è 607 mg/L, che è impostato come valore soglia del cloruro in questo progetto. Inoltre, ci sono altri limiti legali. L'elenco è il seguente.
(4) Gestione dei valori mancanti
Il valore mancante si verifica quando non sono memorizzati dati nelle osservazioni. Function Explorer Missing Values mostra che non ci sono valori mancanti nei dataset di vini rossi e bianchi.
(5) Riduzione dei dati
Alcune variabili potrebbero contenere informazioni simili e includerle potrebbe introdurre una complessità non necessaria nel modello e forse persino rendere l'interpretazione più difficile o confusa. Prima di creare il modello, è necessario escludere qualsiasi variabile che contenga le stesse informazioni di un'altra variabile. La funzione multivariata in JMP identifica le relazioni tra variabili dipendenti.In questo progetto, due variabili dovrebbero contenere informazioni di potenziale sovrapposizione se il valore di correlazione tra di esse è maggiore di 0,6. Quindi, è necessaria una conoscenza professionale per confermare l'ipotesi.
Analisi delle componenti principali
Un altro metodo per ridurre le informazioni di sovrapposizione tra variabili è l'analisi delle componenti principali, che può rimuovere la sovrapposizione di informazioni tra variabili, ridurre la ridondanza del modello e consentire a un numero inferiore di variabili di avere la capacità di rappresentare un'enorme quantità di informazioni. La funzione PCA in JMP crea componenti principali contenenti la maggior parte delle informazioni del set di dati con meno variabili. In generale, dovrebbero essere scelte le componenti principali il cui autovalore è maggiore di 1. Tuttavia, si suppone che vengano utilizzate le prime sette componenti principali in rosso e bianco poiché contengono circa il 90 percento delle informazioni.
e. Apprendimento supervisionato - Modello di classificazione
In questo progetto sono stati utilizzati la regressione logistica, l'albero decisionale, l'albero e la foresta bootstrap e le reti neurali per creare il modello.
(1) Regressione logistica
La regressione logistica può essere utilizzata nel modello in cui le variabili di risultato sono ordinali o nominali, e questo metodo è ampiamente utilizzato, in particolare quando un modello di struttura è destinato a spiegare o prevedere. Poiché in questa analisi del vino l'obiettivo è vedere se il vino è di alta o bassa qualità, la regressione logistica è uno dei metodi migliori da utilizzare. La funzione Fit Model in JMP potrebbe fornire un report del modello. Quindi, le variabili il cui valore p è maggiore di 0,05 verranno rimosse dal modello se il tasso di classificazione errata non viene influenzato. Inoltre, la funzione Stepwise nel modello di adattamento potrebbe essere utilizzata per trovare la migliore scelta di variabile con convalida R-quadrato massima.
(2) Albero decisionale (partizione)
Per il Decision Tree Method, le variabili che non vengono trasformate vengono inserite nella Partition Function, poiché qualsiasi trasformazione monotona delle variabili darà lo stesso albero. Il pulsante go nella Partition function può essere utilizzato per trovare automaticamente le migliori suddivisioni. Di conseguenza, la migliore suddivisione per il vino rosso è 8 volte e per il vino bianco è 14 volte. Tuttavia, in base alla cronologia delle suddivisioni, il valore di R-quadrato può essere simile quando riduciamo il numero di suddivisioni rispettivamente a 6 e 8. Questo metodo può ridurre la complessità del modello senza comprometterne l'accuratezza.
(3) Albero Bootstrap e Foresta Bootstrap
Come il Decision Tree Method, JMP può segnalare il risultato del booted tree e del booted forest model quando le variabili vengono immesse nella funzione. È importante notare che, per evitare che il forest model diventi troppo complesso, riduciamo il tempo di suddivisione massimo da 2000 a 25.
(4) Reti neurali
Il vantaggio delle reti neurali è il loro potenziale di fornire elevate prestazioni predittive. La loro struttura supporta la cattura di relazioni molto complesse tra predittori e una risposta, il che spesso non è possibile con altri modelli predittivi. Ma le variabili di input della rete neurale devono essere preselezionate poiché la rete neurale non può selezionare le variabili da sola. L'approccio comune per trovare la rete neurale con le migliori prestazioni è iniziare con un modello neurale predefinito molto semplice, con un livello e tre nodi, quindi costruire un modello più complesso con due livelli, diversi nodi e diverse funzioni di attivazione e continuare questo processo fino a ottenere previsioni soddisfacenti.
f. Risultati e accesso
La matrice di confronto indica che l'Entropy R-Square e l'R-Square generalizzato della Boosted Forest sono i più alti, e RMSE e tasso di classificazione errata sono i più bassi. Inoltre, anche l'accuratezza della Booted Forest è la più alta. Tuttavia, la regressione logistica è scelta come il miglior modello, anche se ogni parametro non è il migliore. Il parametro è vicino a quello di altri modelli. Inoltre, il modello logistico è semplice e i predittori sono facili da interpretare. Di conseguenza, si suppone che i modelli di regressione logistica di rosso e bianco siano il miglior modello.
3. Conclusioni e raccomandazioni
Nel vino rosso, Alcool, Zucchero residuo, Solfati e Anidride solforosa totale hanno una relazione positiva con l'alta qualità, mentre Acidità fissa e Acidità volatile hanno una relazione negativa con l'alta qualità. Nel vino bianco, Alcool e Solfato hanno una relazione positiva con l'alta qualità, mentre Acidità volatile, Acido citrico e Anidride solforosa totale hanno una relazione bassa con l'alta qualità. Le formule modello sono le seguenti. Quella a sinistra è il vino rosso mentre quella a destra è il vino bianco. (Nota: la formula è per la bassa qualità)
Acidità
Gli acidi sono una delle 4 caratteristiche fondamentali del vino e conferiscono al vino un sapore aspro e aspro. L'acidità aggiunge un senso di vitalità e freschezza al vino e rende anche il sapore del vino più evidente. L'acido ha un effetto appetitoso, quindi vuoi berne un altro bicchiere. A livelli bassi, aggiunge complessità al sapore, ma a livelli alti fa rovinare il vino.
TOTALE ANIDRIDE SOLFOROSA E SOLFATI
I solfiti preservano il vino e rallentano le reazioni chimiche, che causano il deterioramento del vino. Impediscono la crescita di batteri e lieviti, mantenendo il sapore fresco del vino. Tuttavia, l'elevato contenuto di anidride solforosa produrrà un odore sgradevole, simile a quello di un uovo marcio, che potrebbe causare problemi di salute dopo aver bevuto.
ZUCCHERO RESIDUO
Lo zucchero residuo (o RS) è costituito dagli zuccheri naturali dell'uva rimasti nel vino al termine della fermentazione alcolica.Può migliorare una delle 4 caratteristiche fondamentali del vino: la dolcezza.
ALCOOL
L'alcol è anche uno dei 4 tratti fondamentali. Può migliorare il sistema linfatico e spesso si manifesta come una sensazione di bruciore alla base della lingua e in gola.
Raccomandazioni per la fabbricazione
Nel vino bianco, è bene gestire il livello di acidità volatile, diminuire l'acidità fissa, aggiungere meno zuccheri residui, aumentare sia l'anidride solforosa che il solfato e aumentare la concentrazione di alcol entro il limite appropriato. Nel vino rosso, è bene gestire il livello di acidità volatile, diminuire l'acidità citrica nel vino rosso, mantenere o addirittura ridurre l'anidride solforosa totale, aggiungere più solfato e aumentare la concentrazione di alcol entro il limite appropriato.
Raccomandazioni per i consumatori
Colore, alcol e odore sono buoni indicatori della qualità del vino.Scegli il vino dal colore chiaro. Più il colore è scuro, maggiore è il livello di acidità. Ma l'acidità ha una relazione negativa con il livello di qualità.Annusa il tappo prima di comprarlo. L'odore di uova marce significa che il vino non è sano, soprattutto se è rosso.Se puoi, scegli il vino con la concentrazione alcolica più alta.
Riferimento
Coli, Marina Sonegheti, et al. “Concentrazione di cloruro nei vini rossi: influenza del terroir e del tipo di uva.” Scienza e tecnologia alimentare (Campinas) , Vol. 35, n. 1, 2015, pp. 95-99., doi:10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. "Anidride solforosa libera nella birra come differenza tra anidride solforosa totale e acetaldeide: un approccio voltammetrico". Rivista della Società Americana dei Chimici della Birra , Vol. 61, n. 4, 2003, pp. 191-195., doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
