Nivel: Principiante
Yongxin Cui, estudiante, Programa de Análisis Empresarial y Gestión de Proyectos, Facultad de Negocios de la Universidad de Connecticut
Tianhao Zhao, estudiante del Programa de Análisis Empresarial y Gestión de Proyectos de la Facultad de Negocios de la Universidad de Connecticut
Xinyin Miao, estudiante del Programa de Análisis Empresarial y Gestión de Proyectos de la Facultad de Negocios de la Universidad de Connecticut
1. Resumen ejecutivo
Distinguir la calidad del vino es especialmente importante para los comerciantes que venden al público general, ya que no suelen disponer de los recursos para almacenar un gran inventario de vinos y necesitan asegurarse de que este incluya vinos de alta calidad que satisfagan el paladar cada vez más exigente del público. Nuestro equipo decidió utilizar las herramientas de minería de datos disponibles en JMP para examinar si la calidad de un vino, una calificación subjetiva del público, podía predecirse a partir de 11 variables descriptivas (que consisten en mediciones químicas del vino o cálculos que se realizan habitualmente a partir de dichas mediciones). Nuestro objetivo era crear un modelo parsimonioso, con el menor número de variables posible, que ayudara a una bodega a producir vino de mayor calidad. Además, nuestro equipo analizaría la diferencia entre vino tinto y vino blanco. Nuestra conclusión preliminar es que, para el vino tinto, cuatro variables (acidez volátil, dióxido de azufre total, sulfatos y alcohol) pueden ser suficientes predictores de alta calidad, mientras que para el vino blanco, cinco variables (acidez fija, acidez volátil, azúcar residual, sulfatos y alcohol) pueden ser suficientes predictores de alta calidad.
2. Metodología
En esta sección, se utiliza el método SEMMA para explorar los conjuntos de datos de vino tinto y blanco.
Muestra
Tanto el conjunto de datos de vino tinto como el de vino blanco contienen 12 variables. El conjunto de datos de vino tinto tiene 1599 filas y el de vino blanco, 4898. Para este proyecto, no fue necesario utilizar muestras más pequeñas de estos conjuntos de datos, ya que ambos son lo suficientemente pequeños como para procesarlos con los recursos informáticos disponibles y lo suficientemente grandes como para contener información significativa.
Explorar
Para cada vino, el conjunto de datos contiene 11 predictores relacionados con las propiedades físicas y químicas del vino y una calificación subjetiva de la calidad del vino. Las variables de medición son todas continuas. La variable de calificación de calidad es ordinal y va de 1 (calidad más baja) a 10 (calidad más alta). Las variables predictoras son todas variables continuas que describen las propiedades físicas o químicas del vino. Inicialmente, se supuso que la densidad tenía una fuerte relación con algunas de las otras variables, como el dióxido de azufre, los sulfatos y otros componentes químicos podrían influir en la densidad del vino. Además, el informe de la función de distribución en JMP indica que cada variable predictora se determinó como casi normal, excepto el azúcar residual, que está muy sesgado a la izquierda. Si es necesario, el azúcar residual se transformará en el análisis. Las distribuciones ampliamente dispersas de azúcar residual y cloruros también podrían representar u ocultar valores atípicos.
Modificar
(1) Corregir inconsistencias y errores obvios
No hay inconsistencias ni errores obvios en los dos conjuntos de datos.
(2) Cambiar el tipo de datos
Idealmente, estos datos determinarían el objetivo, el "nivel de calidad", como una variable continua. Sin embargo, esto podría haber generado problemas. Este nivel de calidad debe estar entre 1 y 10 para corresponder a la calificación subjetiva de calidad. Si el nivel de calidad fuera continuo, podría generar resultados poco realistas (niveles de calidad superiores a 10 o inferiores a 0). Convertir el nivel de calidad en un ordinal que se correspondiera con las calificaciones subjetivas no mejoraría las cosas, ya que en ambos casos aún habría que determinar un límite entre los vinos de alta y baja calidad. Un único nivel de calidad ordinal binario probablemente sería mejor para los comerciantes si la mayoría de ellos quisieran ofrecer una amplia gama de vinos de mejor calidad. Dado que las calificaciones subjetivas de calidad tanto para los vinos tintos como para los blancos tenían una mediana de 6, se eligió un nivel de calidad alto si la calificación subjetiva era igual o superior a 6 y bajo si era inferior a 6. El nivel de calidad de la izquierda corresponde al vino tinto y el de la derecha al vino blanco.
(3) Detectar y abordar valores atípicos
Los valores atípicos o extremos en el conjunto de datos podrían influir en el análisis del resto de los datos. El resultado de Explorar valores atípicos en JMP indica que los dos conjuntos de datos incluyen algunos valores extremos, la mayoría de los cuales se concentran en el azúcar residual, cloruros y sulfatos. Además, la función de Análisis robusto localiza con mayor precisión las filas "extremas". En el vino tinto, la concentración de cloruros en las filas 152 y 259 es de 0,61 y 0,611, que son mucho más altas que los valores en otras filas. La investigación enológica ha demostrado que el cloruro puede ser perjudicial para la salud de las personas y muchos países establecen límites superiores para las cantidades de cloruros. Por ejemplo, en Australia, el nivel máximo de cloruro permitido es de 607 mg/L, que se establece como el valor umbral de cloruro en este proyecto. Además, existen otros límites legales. La lista es la siguiente.
(4) Manejo de valores faltantes
Se produce un valor faltante cuando no se almacenan datos en las observaciones. La función "Valores faltantes" del Explorador de funciones muestra que no hay valores faltantes en los conjuntos de datos de vino tinto y blanco.
(5) Reducción de datos
Algunas variables pueden contener información similar, e incluirlas podría añadir complejidad innecesaria al modelo e incluso dificultar o confundir la interpretación. Antes de crear el modelo, es necesario excluir cualquier variable que contenga la misma información que otra. La función multivariante de JMP identifica las relaciones entre las variables dependientes.En este proyecto, se supone que dos variables contienen información de posible superposición si su correlación es superior a 0,6. En tal caso, se requiere conocimiento profesional para confirmar esta suposición.
Análisis de componentes principales
Otro método para reducir la información superpuesta entre variables es el Análisis de Componentes Principales (PCA). Este método elimina la superposición de información entre variables, reduce la redundancia del modelo y permite que un número menor de variables represente una gran cantidad de información. La función PCA de JMP crea componentes principales que contienen la mayor cantidad de información del conjunto de datos con menos variables. En general, se deben seleccionar los componentes principales cuyo valor propio sea mayor que 1. Sin embargo, se recomienda utilizar los primeros siete componentes principales en rojo y blanco, ya que contienen aproximadamente el 90 % de la información.
e. Modelo de clasificación de aprendizaje supervisado
En este proyecto se utilizaron regresión logística, árbol de decisión, árbol y bosque bootstrap y redes neuronales para crear el modelo.
(1) Regresión logística
La regresión logística se puede utilizar en modelos donde las variables de resultado son ordinales o nominales, y este método es ampliamente utilizado, especialmente cuando se busca explicar o predecir un modelo estructural. Dado que en este análisis de vinos el objetivo es determinar si el vino es de alta o baja calidad, la regresión logística es uno de los mejores métodos. La función de ajuste del modelo en JMP podría generar un informe del modelo. Posteriormente, las variables con un valor p superior a 0,05 se eliminarán del modelo si no se ve afectada la tasa de clasificación errónea. Además, la función de pasos graduales del modelo de ajuste podría utilizarse para encontrar la mejor variable con validación de R-cuadrado máximo.
(2) Árbol de decisión (partición)
Para el método del árbol de decisión, las variables que no se transforman se introducen en la función de partición, ya que cualquier transformación monótona de las variables generará el mismo árbol. El botón "Ir" de la función de partición permite encontrar automáticamente las mejores divisiones. Como resultado, la mejor división para el vino tinto es de 8 veces y para el vino blanco, de 14 veces. Sin embargo, según el historial de divisiones, el valor de R-cuadrado puede ser similar al reducir el número de divisiones a 6 y 8, respectivamente. Este método puede reducir la complejidad del modelo sin afectar su precisión.
(3) Árbol Bootstrap y Bosque Bootstrap
Al igual que el método del árbol de decisión, JMP puede reportar el resultado del modelo de árbol y bosque iniciados al introducir variables en la función. Es importante destacar que, para evitar que el modelo de bosque se vuelva demasiado complejo, reducimos el tiempo máximo de división de 2000 a 25.
(4) Redes neuronales
La ventaja de las redes neuronales reside en su potencial para ofrecer un alto rendimiento predictivo. Su estructura permite capturar relaciones muy complejas entre predictores y una respuesta, algo que a menudo no es posible con otros modelos predictivos. Sin embargo, las variables de entrada de la red neuronal deben preseleccionarse, ya que la red neuronal no puede seleccionar variables por sí sola. El enfoque habitual para encontrar la red neuronal con mejor rendimiento consiste en comenzar con un modelo neuronal predeterminado muy simple, con una capa y tres nodos, luego construir un modelo más complejo con dos capas, varios nodos y diferentes funciones de activación, y continuar este proceso hasta obtener predicciones satisfactorias.
f. Resultados y acceso
La matriz de comparación indica que el R-cuadrado de entropía y el R-cuadrado generalizado del Bosque Potenciado son los más altos, mientras que el RMSE y la tasa de clasificación errónea son los más bajos. Además, la precisión del Bosque Potenciado también es la más alta. Sin embargo, la regresión logística se elige como el mejor modelo, aunque cada parámetro no es el mejor. El parámetro es cercano al de otros modelos. Además, el modelo logístico es simple y los predictores son fáciles de interpretar. En consecuencia, se supone que los modelos de regresión logística de rojo y blanco son los mejores.
3. Conclusiones y recomendaciones
En el vino tinto, el alcohol, el azúcar residual, los sulfatos y el dióxido de azufre total tienen una relación positiva con la alta calidad, mientras que la acidez fija y la acidez volátil tienen una relación negativa. En el vino blanco, el alcohol y el sulfato tienen una relación positiva con la alta calidad, mientras que la acidez volátil, el ácido cítrico y el dióxido de azufre total tienen una relación baja. Las fórmulas modelo son las siguientes: la de la izquierda corresponde al vino tinto y la de la derecha al vino blanco. (Nota: La fórmula es para baja calidad).
Acidez
La acidez es una de las cuatro características fundamentales del vino y le confiere un sabor ácido y agrio. La acidez aporta vitalidad y frescura al vino, realzando su sabor. Tiene un efecto apetitoso, que invita a tomar otra copa. En niveles bajos, añade complejidad al sabor, pero en niveles altos, lo echa a perder.
DIÓXIDO DE AZUFRE Y SULFATOS TOTOL
Los sulfitos conservan el vino y retardan las reacciones químicas que lo deterioran. Impiden el crecimiento de bacterias y levaduras, conservando así su sabor fresco. Sin embargo, el alto contenido de dióxido de azufre produce un olor desagradable, similar al de un huevo podrido, que puede causar problemas de salud después de beberlo.
AZÚCAR RESIDUAL
El azúcar residual (o AR) proviene de los azúcares naturales de la uva que quedan en el vino una vez terminada la fermentación alcohólica.Puede mejorar una de las cuatro características fundamentales del vino: el dulzor.
ALCOHOL
El alcohol también es uno de los cuatro rasgos fundamentales. Puede mejorar el sistema linfático y suele manifestarse como una sensación de ardor en la base de la lengua y la garganta.
Recomendaciones de fabricación
En el vino blanco, conviene controlar la acidez volátil, reducir la acidez fija, añadir menos azúcares residuales, aumentar el dióxido de azufre y el sulfato, y mantener la concentración de alcohol dentro de los límites adecuados. En el vino tinto, conviene controlar la acidez volátil, reducir la acidez cítrica, mantener o incluso reducir el dióxido de azufre total, añadir más sulfato y mantener la concentración de alcohol dentro de los límites adecuados.
Recomendaciones para los consumidores
El color, el alcohol y el olor son una buena señal de la calidad del vino.Elija un vino de color claro. Cuanto más oscuro sea el color, mayor será la acidez. Sin embargo, la acidez tiene una relación negativa con la calidad.Huele el corcho antes de comprarlo. El olor a huevo podrido indica que el vino no es saludable, sobre todo el tinto.Elige el vino con mayor concentración de alcohol si puedes aceptarlo.
Referencia
Coli, Marina Sonegheti, et al. “Concentración de cloruro en vinos tintos: Influencia del terroir y el tipo de uva”. Ciencia y Tecnología de Alimentos (Campinas) , vol. 35, n.º 1, 2015, págs. 95-99, doi:10.1590/1678-457x.6493.
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida, PJ, et al. “Dióxido de azufre libre en la cerveza como la diferencia entre el dióxido de azufre total y el acetaldehído: un enfoque voltamperométrico”. Revista de la Sociedad Americana de Químicos Cerveceros , vol. 61, n.º 4, 2003, págs. 191-195, doi:10:1094/asbcj-61-0191.
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
