程度：初學者
Y康乃狄克大學商學院商業分析與專案管理專業學生 ongxin Cui
趙天浩，康乃狄克大學商學院商業分析與專案管理專業學生
Xinyin Miao，康乃狄克大學商學院商業分析與專案管理專業學生
1. 執行摘要
辨別葡萄酒品質對於向大眾銷售葡萄酒的葡萄酒商來說尤其重要，因為他們通常沒有資源儲存大量的葡萄酒庫存，並且需要確保他們的庫存包括高品質的葡萄酒，以滿足大眾越來越挑剔的口味。我們的團隊決定使用 JMP 中提供的資料探勘工具來檢查是否可以根據 11 個描述性變數（包括葡萄酒化學測量結果或通常根據這些測量結果進行的計算）預測葡萄酒的品質（公眾的主觀評估）。我們的目標是建立一個簡約的模型，具有最少的變量，這將有助於釀酒廠生產出更高品質的葡萄酒。此外，我們的團隊也會分析紅酒和白酒之間的差異。我們的初步結論是，對於紅酒，四個變數（揮發性酸度、總二氧化硫、硫酸鹽和酒精）可能足以預測其高品質，而對於白葡萄酒，五個變數（固定酸度、揮發性酸度、殘糖、硫酸鹽和酒精）可能足以預測其高品質。
2. 方法論
本節使用SEMMA方法探索紅酒和白酒資料集。
樣本
紅酒和白酒資料集都有 12 個變數。紅酒資料集有 1599 行，白酒資料集有 4898 行。對於這個項目，沒有必要利用這些資料集的較小樣本，因為它們都足夠小，可以用可用的電腦資源進行處理，同時也足夠大，可以包含重要資訊。
探索
對於每種葡萄酒，資料集包含 11 個與葡萄酒的物理和化學特性相關的預測因子和一個葡萄酒品質的主觀評級。測量變數都是連續的。品質評級變數是序數的，範圍從 1（品質最低）到 10（品質最高）。預測變數都是描述葡萄酒的物理或化學特性的連續變數。最初，密度應該與其他一些變數有很強的關係，例如二氧化硫、硫酸鹽和其他化學成分可能會影響葡萄酒的密度。此外，JMP 中的分佈函數報告表明，除殘糖嚴重左偏外，每個預測變數都被確定為幾乎正態。如果有必要，殘糖將在分析中轉化。殘糖和氯化物的廣泛分佈也可能代表或隱藏異常值。
調整
(1）糾正不一致和明顯的錯誤
兩組資料集並無不一致及明顯錯誤。
（2）更改資料類型
理想情況下，這些數據將作為連續變數來確定目標「品質水準」。但這可能會引發問題。此品質等級必須介於 1 到 10 之間，以對應主觀品質評級。如果品質水準是連續的，則可能會導致不切實際的結果（品質水準大於 10 或小於 0）。將品質等級設為與主觀評級相對應的序數並不會使事情變得更好，因為在這兩種情況下，仍然必須確定高品質和低品質葡萄酒之間的界限。如果大多數商家希望儲存多種品質較好的葡萄酒，那麼單一的二元序數品質水準可能對商家更有利。由於紅酒和白酒的主觀品質評分中位數均為 6，因此，如果主觀評分分數等於或大於 6，則選擇高品質等級，如果主觀評分分數低於 6，則選擇低品質等級。左邊是紅酒品質等級，右邊是白酒品質等級。
（3）檢測並處理異常值
資料集中的異常值或極端值可能會影響其餘資料的分析。 JMP中Explore Outliers的結果表明，兩組資料集中都存在一些極端值，其中大部分集中在殘糖、氯化物和硫酸鹽中。此外，穩健分析功能可以進一步定位「極端」行。在紅酒中，第 152 行和第 259 行的氯化物濃度分別為 0.61 和 0.611，遠高於其他行中的數值。葡萄酒研究顯示氯化物會損害人體健康，許多國家對氯化物的含量設定了上限。例如，澳洲允許的最大氯化物含量為607毫克/公升，該值被設定為本專案的氯化物閾值。此外，還有一些其他法律限制。名單如下。
（4）處理缺失值
當觀測值中沒有儲存資料時，就會出現缺失值。 Function Explorer Missing Values 顯示紅酒和白酒資料集中沒有缺失值。
（5）數據縮減
有些變數可能包含類似的訊息，包含這些變數可能會為模型帶來不必要的複雜性，甚至使解釋更加困難或令人困惑。在建立模型之前，有必要排除任何包含與其他變數相同資訊的變數。 JMP 中的多元函數可以辨識因變數之間的關係。在本項目中，如果兩個變數之間的相關值大於0.6，則認為它們包含潛在的重疊資訊。然後，需要專業知識來確認該假設。
主成分分析
另一種減少變數間重疊資訊的方法是主成分分析，它可以消除變數間的重疊訊息，減少模型的冗餘度，使較少的變數能夠表示大量的資訊。 JMP 中的 PCA 函數可以用較少的變數建立包含資料集大部分資訊的主成分。一般情況下，應選擇特徵值大於1的主成分。然而，應該使用紅色和白色的前七個主要成分，因為它們包含大約 90% 的信息。
e.監督學習-分類模型
在這個專案中，使用邏輯回歸、決策樹、引導樹和森林以及神經網路來建立模型。
（1）邏輯迴歸
邏輯迴歸可用於結果變數為序數或名目數的模型，這種方法被廣泛使用，特別是在結構模型旨在解釋或預測的情況下。由於這項葡萄酒分析的目標是了解葡萄酒的品質是高品質還是低品質，因此邏輯迴歸是最好的方法之一。 JMP中的擬合模型功能可以給出模型的報告。然後，如果錯誤分類率不受影響，則 p 值大於 0.05 的變數將從模型中刪除。此外，擬合模型中的逐步函數可用於找到具有最大 R 平方驗證的最佳變數選擇。
（2）決策樹（劃分）
對於決策樹方法，未轉換的變數被輸入到分區函數中，因為變數的任何單調變換都會產生相同的樹。分區功能中的“go”按鈕可用於自動找到最佳分割。因此，紅酒的最佳飲用次數為8次，白酒的最佳飲用次數為14次。然而，根據分割歷史，當我們將分割次數分別減少到 6 和 8 時，R 平方的值可能相似。此方法可以在不影響模型準確率的情況下降低模型的複雜度。
（3）Bootstrap 樹和 Bootstrap 森林
與決策樹方法一樣，當在函數中輸入變數時，JMP 可以報告引導樹和引導森林模型的結果。重要的是，為了防止森林模型變得過於複雜，我們將最大分割時間從 2000 減少到 25。
（4）神經網絡
神經網路的優點在於其具有提供高預測性能的潛力。它們的結構支持捕捉預測因子和反應之間非常複雜的關係，這在其他預測模型中通常是無法實現的。但是神經網路輸入變數必須預先選擇，因為神經網路不能自己選擇變數。尋找性能最佳的神經網路的常用方法是從一個非常簡單的預設神經模型開始，該模型具有一層和三個節點，然後構建一個具有兩層、多個節點和不同激活函數的更複雜的模型，並繼續此過程，直到獲得令人滿意的預測。
f.結果與訪問
比較矩陣表明，Boosted Forest的熵R平方和廣義R平方最高，RMSE和誤分類率最低。而且Booted Forest的準確率也是最高的。然而，儘管邏輯迴歸的每個參數都不是最好的，但它被選為最佳模型。此參數與其他模型接近。此外，邏輯模型簡單，預測因子易於解釋。因此，紅色和白色的邏輯迴歸模型被認為是最佳模型。
3. 結論和建議
紅酒中酒精度、殘糖、硫酸鹽、總二氧化硫與紅酒品質呈正相關，而固定酸度和揮發性酸度與紅酒品質呈負相關。在白酒中，酒精度、硫酸鹽與高品質呈正相關，而揮發性酸度、檸檬酸、總二氧化硫與高品質的關係較低。模型公式如下。左邊是紅酒，右邊是白酒。 （註：此公式適用於低品質）
酸度
酸是葡萄酒的四大基本特性之一，賦予葡萄酒酸澀的口感。酸度為葡萄酒增添了活力和清爽感，也使葡萄酒的風味更加突出。酸有開胃作用，讓人還想再喝一杯。在低濃度時，它會增加風味的複雜性，但在高濃度時，它會導致葡萄酒變質。
總二氧化硫和硫酸鹽
亞硫酸鹽可以保存葡萄酒並減緩導致葡萄酒變質的化學反應。阻止細菌和酵母的生長，保持葡萄酒的新鮮口感。但二氧化硫含量較高，會產生類似臭雞蛋的難聞氣味，飲用後可能引發健康問題。
殘糖
殘糖（或 RS）是酒精發酵結束後殘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
酒精也是四種基本特徵之一。它可以改善淋巴系統，常表現為舌根和喉嚨有灼熱感。
製造建議
對於白酒來說，應控制揮發性酸的含量，降低固定酸，減少殘留糖的添加，增加二氧化硫和硫酸鹽的含量，並在適當的限度內增加酒精濃度。在紅酒中，最好控制揮發性酸的水平，降低紅酒中的檸檬酸，保持甚至減少總二氧化硫，添加更多的硫酸鹽並在適當的限度內增加酒精濃度。
對消費者的建議
顏色、酒精度、氣味是衡量葡萄酒品質的良好訊號。選擇顏色淺的葡萄酒。顏色越深，酸性越高。但酸度與品質水準呈負相關。購買前先聞一下軟木塞的味道。有臭雞蛋味的葡萄酒不健康，尤其是紅葡萄酒。如果可以接受的話，請選擇酒精濃度較高的葡萄酒。
參考
Coli、Marina Sonegheti 等人。 「紅酒中的氯化物濃度：風土和葡萄類型的影響。」食品科學與技術（坎皮納斯） ，第卷35，沒有。 1，2015，第 95-99 頁，doi：10.1590/1678-457x.6493。
< http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-20612015000100095 >
Almeida，PJ 等人。 「啤酒中的遊離二氧化硫是總二氧化硫與乙醛之間的差異：伏安法。」美國釀造化學家協會雜誌，卷61，沒有。 4，2003，第 191-195 頁，doi：10:1094/asbcj-61-0191。
< https://www.tandfonline.com/doi/abs/10.1094/ASBCJ-61-0191?journalCode=ujbc20& >
