级别：初学者
Y康涅狄格大学商学院商业分析与项目管理专业学生 ongxin Cui
赵天浩，康涅狄格大学商学院商业分析与项目管理专业学生
Xinyin Miao，康涅狄格大学商学院商业分析和项目管理专业学生
1. 执行摘要
辨别葡萄酒质量对于面向公众销售的葡萄酒商来说尤其重要，因为他们通常没有足够的资源来储存大量的葡萄酒，并且需要确保他们的库存包括高品质的葡萄酒，以满足公众越来越挑剔的口味。我们的团队决定使用 JMP 中提供的数据挖掘工具来检查葡萄酒的质量（公众的主观评价）是否可以通过 11 个描述性变量（包括葡萄酒化学测量或通常根据这些测量进行的计算）来预测。我们的目标是建立一个简约的模型，一个变量数量最少的模型，以帮助酿酒厂生产出更高质量的葡萄酒。此外，我们的团队将分析红葡萄酒和白葡萄酒之间的差异。我们的初步结论是，对于红葡萄酒，四个变量（挥发性酸度、总二氧化硫、硫酸盐和酒精）可能足以预测高品质，而对于白葡萄酒，五个变量（固定酸度、挥发性酸度、残留糖、硫酸盐和酒精）可能足以预测高品质。
2. 方法论
本节使用SEMMA方法探索红葡萄酒和白葡萄酒数据集。
样本
红葡萄酒和白葡萄酒数据集都有 12 个变量。红葡萄酒数据集有 1599 行，白葡萄酒数据集有 4898 行。对于这个项目，没有必要利用这些数据集的较小样本，因为这两个数据集都足够小，可以使用可用的计算机资源进行处理，并且足够大，可以包含重要信息。
探索
对于每种葡萄酒，数据集包含 11 个与葡萄酒的物理和化学特性相关的预测因子和一个葡萄酒质量的主观评级。测量变量都是连续的。质量评级变量是序数，范围从 1（最低质量）到 10（最高质量）。预测变量都是描述葡萄酒物理或化学特性的连续变量。最初，密度应该与其他一些变量有很强的关系，例如二氧化硫、硫酸盐和其他化学成分可能会影响葡萄酒的密度。此外，JMP 中的分布函数报告表明，除了残糖高度左偏外，每个预测变量都被确定为几乎正常。如有必要，将在分析中对残糖进行转换。残糖和氯化物的广泛分布也可能代表或隐藏异常值。
调整
(1）纠正不一致和明显的错误
两组数据集并无不一致及明显错误。
（2）更改数据类型
理想情况下，这些数据将确定目标“质量水平”，作为一个连续变量。但这可能会导致问题。这个质量水平必须介于 1 和 10 之间，以对应主观质量评级。如果质量水平是连续的，则可能导致不切实际的结果（质量水平大于 10 或小于 0）。将质量水平设为与主观评级相对应的序数不会让事情变得更好，因为在这两种情况下，仍然必须确定高品质和低品质葡萄酒之间的界限。如果大多数商家希望储备各种优质葡萄酒，那么单一的二元序数质量水平可能对商家更有利。由于红葡萄酒和白葡萄酒的主观质量评级的中位数为 6，因此如果主观评分分数等于或大于 6，则选择高质量水平，如果主观评分分数低于 6，则选择低质量水平。左边是红葡萄酒质量水平，右边是白葡萄酒质量水平。
（3）检测并处理异常值
数据集中的异常值或极值可能会影响其余数据的分析。JMP中探索异常值的结果表明，两个数据集包含一些极值，其中大部分集中在残糖、氯化物和硫酸盐中。同时，稳健分析功能进一步定位了“极端”行。在红酒中，第152行和第259行的氯化物浓度分别为0.61和0.611，远高于其他行中的值。葡萄酒研究表明，氯化物会危害人体健康，许多国家都对氯化物的含量设定了上限。例如，在澳大利亚，允许的最大氯化物含量为607毫克/升，在本项目中将其设置为氯化物阈值。此外，还有一些其他法定限制。列表如下。
（4）处理缺失值
当观测值中没有存储任何数据时，就会出现缺失值。Function Explorer Missing Values 显示红葡萄酒和白葡萄酒数据集中没有缺失值。
（5）数据缩减
一些变量可能包含类似的信息，将它们包括在内可能会给模型带来不必要的复杂性，甚至可能使解释更加困难或令人困惑。在建立模型之前，有必要排除任何包含与其他变量相同信息的变量。JMP 中的多变量函数可识别因变量之间的关系。本项目中，若两个变量间的相关值大于0.6，则认为它们含有潜在的重叠信息，此时需要借助专业知识来验证这一假设。
主成分分析
另一种减少变量间重叠信息的方法是主成分分析，它可以消除变量间的信息重叠，减少模型的冗余度，让较少的变量能够代表大量的信息。JMP 中的 PCA 功能可以用较少的变量创建包含数据集大部分信息的主成分。一般来说，应选择特征值大于 1 的主成分。但是，红色和白色中的前七个主成分应该被使用，因为它们包含了大约 90% 的信息。
e. 监督学习-分类模型
在这个项目中，使用逻辑回归、决策树、引导树和森林以及神经网络来建立模型。
（1）逻辑回归
逻辑回归可用于结果变量为序数或名义变量的模型，这种方法被广泛使用，特别是在结构模型旨在解释或预测的情况下。由于在这种葡萄酒分析中，目标是看葡萄酒是高品质还是低品质，因此逻辑回归是最好的方法之一。JMP 中的拟合模型函数可以提供模型报告。然后，如果错误分类率不受影响，则将从模型中删除 p 值大于 0.05 的变量。此外，拟合模型中的逐步函数可用于找到具有最大 R 平方验证的最佳变量选择。
（2）决策树（划分）
对于决策树方法，未经变换的变量被输入到分区函数中，因为变量的任何单调变换都会产生相同的树。分区函数中的“go”按钮可用于自动找到最佳分割。结果，红葡萄酒的最佳分割是 8 次，白葡萄酒的最佳分割是 14 次。但是，根据分割历史，当我们分别将分割次数减少到 6 次和 8 次时，R 平方的值可能相似。这种方法可以降低模型的复杂性而不影响其准确性。
（3）Bootstrap 树和 Bootstrap 森林
与决策树方法一样，当在函数中输入变量时，JMP 可以报告引导树和引导森林模型的结果。重要的是，为了防止森林模型变得过于复杂，我们将最大分割时间从 2000 减少到 25。
（4）神经网络
神经网络的优势在于它们具有提供高预测性能的潜力。它们的结构支持捕捉预测因子和响应之间非常复杂的关系，而这通常是其他预测模型无法实现的。但是神经网络输入变量必须预先选择，因为神经网络无法自行选择变量。寻找性能最佳的神经网络的常用方法是从一个非常简单的默认神经模型开始，该模型具有一层和三个节点，然后构建一个具有两层、多个节点和不同激活函数的更复杂的模型，并继续此过程，直到获得令人满意的预测。
f. 结果与访问
比较矩阵表明，Boosted Forest 的熵 R 平方和广义 R 平方最高，RMSE 和误分类率最低，同时 Booted Forest 的准确率也是最高的。然而，逻辑回归被选为最佳模型，尽管它的各项参数都不是最优的，但其参数与其他模型的参数接近。此外，逻辑回归模型简单，预测因子易于解释。因此，红色和白色的逻辑回归模型应该是最佳模型。
3. 结论和建议
红葡萄酒中，酒精度、残糖、硫酸盐、总二氧化硫与优质呈正相关，固定酸度、挥发性酸度与优质呈负相关。白葡萄酒中，酒精度、硫酸盐与优质呈正相关，挥发性酸度、柠檬酸、总二氧化硫与优质关系不大。模型公式如下，左边是红葡萄酒，右边是白葡萄酒。（注：公式为低质量）
酸度
酸是葡萄酒的四大基本特性之一，赋予葡萄酒酸涩的口感。酸味为葡萄酒增添了活力和清爽感，也使葡萄酒的风味更加突出。酸具有开胃作用，让您想再喝一杯。酸度低时，会增加风味的复杂性，但酸度高时，会导致葡萄酒变质。
总二氧化硫和硫酸盐
亚硫酸盐可以保存葡萄酒，减缓导致葡萄酒变质的化学反应。阻止细菌和酵母的生长，保持葡萄酒的新鲜口感。然而，高含量的二氧化硫会产生像臭鸡蛋一样难闻的气味，饮用后可能会引起健康问题。
残糖
残糖（或 RS）是酒精发酵结束后残留在葡萄酒中的天然葡萄糖。它可以改善葡萄酒的四大基本特性之一——甜度。
酒精
酒精也是4个基本特征之一。它可以改善淋巴系统，通常表现为舌根和喉咙有灼热感。
制造建议
对于白葡萄酒，应控制挥发性酸度，降低固定酸度，减少残糖，增加二氧化硫和硫酸盐，在适当范围内增加酒精浓度。对于红葡萄酒，应控制挥发性酸度，降低红葡萄酒中的柠檬酸度，保持甚至降低总二氧化硫，增加硫酸盐，在适当范围内增加酒精浓度。
对消费者的建议
颜色、酒精度、气味是衡量葡萄酒品质的良好信号。选择颜色浅的葡萄酒。颜色越深，酸度越高。但酸度与品质呈负相关。购买前先闻一下木塞的味道，如果有臭鸡蛋味就说明葡萄酒不健康，尤其是红酒。如果可以接受的话，请选择酒精浓度较高的葡萄酒。
参考
Coli、Marina Sonegheti 等人。“红葡萄酒中的氯化物浓度：风土和葡萄类型的影响。” 《食品科学与技术》（坎皮纳斯） ，第 35 卷，第 1 期，2015 年，第 95-99 页。doi：10.1590/1678-457x.6493。
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ 等人。“啤酒中游离二氧化硫是总二氧化硫与乙醛之间的差异：伏安法。” 《美国酿造化学家协会杂志》 ，第 61 卷，第 4 期，2003 年，第 191-195 页。doi:10:1094/asbcj-61-0191。
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
