葡萄酒的评价方法总结
（2012年A题）
问题回顾：
1. 分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信/span>
2. 根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
3.分析酿酒葡萄与葡萄酒的理化指标之间的联系。
4．分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量/span>
方法分析：
一、（1）显著性差异分析（T分析）
实际建模采用方法：
首先取每组十位品酒师所给评分的中位数作为此组对酒样品的最终评分, 判断两组评酒的分数是否有显著性差异, 我们需要使用的方法是假设检验, 现在我们假设两组红酒分数没有显著性差异, 这个假设成立的概率为α, 我们利用SPSS软件对数据进行T分析来得到 α = 0.295 > 0.05, 所以假设成立, 即两组品酒员所给评分没有显著性差异.。
我们运用同样的方式也可以判断两组白葡萄酒分数, 得到相应的α = 0.075 > 0.05, 故对白葡萄酒样品两组品酒员所给评分也没有显著性差异.
原理即为T检验（T检验，亦称student t检验（Student’st test），主要用于样本含量较小（例如n），总体标准差σ未知的正态分布的。（第六版统计学基础课程）
以下为T分析大致步骤：
1.建立假设、确定检验水准α
H0：μ = μ0 （零假设null hypothesis）
H1：μ ≠ μ0（备择假设alternative hypothesis）
双侧检验，检验水准：α=0.05（一般都为0.05）
2.计算检验统计量：t
该统计量t在零假说：μ=μ0为真的条件下服从自由度为n?1的t分布。
3.查相应界值表，确定P值，下结论。
（2）可信度分析（方差分析）
我们认为若一组品酒员对于一款样品酒某项指标的十个评分波动越小, 即评分方差越小, 则该组对该样品酒该项指标的评价越具有可信度, 或者说 这一款酒样品的这一指标被该组品酒员评价的更准确。
而对于某一个指标, 若被第一组评价得更准确的酒样品数量多于被第二组评价得更准确的酒样品数量, 则可以认为第一组对于这一指标拥有更强的评价能力, 反之亦然. 为了量化这一指标, 我们只需要采集某一指标下各酒样品被评价得更准确的组别的众数, 即最多次测量更准确的那一组, 以及众数比率，即可确定哪一组的评价更加准确。
根据数据统计结果，第二组的评分更加准确。
二、质量分级
实际建模采用方法：采集酿酒葡萄的一级理化指标数据, 并使用spss将其标准化, 相加得到一级指标评分, 再根据两组评酒员在各个指标上表现出的评价可信度择优生成各葡萄酒样品的评分, 最后将两组评分标准化后相加得到总得分, 根据四分位将酿酒葡萄评为A,B,C,D四个等级。
Deep learning方法：PCA+kmeans，步骤就是先降维，再根据葡萄酒理化指标降维得到的各主成分的得分来聚类，聚类玩好坏的评定根据葡萄酒的质量来.
三、分析酿酒葡萄与葡萄酒的理化指标之间的联系
由于自变量是一种类型的，因此采用一元线性回归分析自变量和因变量的关系。通过spss软件对酿酒葡萄与葡萄酒的理化指标之间Pearson相关系数的求解，得到数据（见spss表格“第三问相关系数求解”）。
通过对相关系数性质的分析，可将酿酒葡萄与葡萄酒的理化指标之间的关系分为如下三类：
线性相关：如酿酒葡萄的花色苷和葡萄酒的花色苷
（r的绝对值>=0.3）
非线性相关：如酿酒葡萄的果穗质量和葡萄酒的酒总黄酮
（r的绝对值）
多元关系或关系复杂：如酿酒葡萄的还原糖和葡萄酒的酒总黄酮
（r的绝对值接近于0）
四、（1）分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响
（由第一问方差分析得到第二组的评分更可信，因此用第二组的评分来量化葡萄酒的质量）
利用spss对酿酒葡萄和葡萄酒的理化指标与第二组红葡萄酒的得分求Pearson相关系数，得到“第四问红葡萄酒得分分析”，筛选出r>0.4的理化性质作为主要理化指标。主要理化指标为：酿酒葡萄的蛋白质、DPPH、总酚、葡萄总黄酮、PH值和果皮颜色a。
Spss内进行多元回归分析得到“第四问红葡萄酒多元回归”，可以得到相应的多元线性回归方程为：
Y=0.003X1-1.668X2-0.011X3+0.050X4+0.397X5-0.048X6+5.993
（2）下面利用MATLAB拟合图像：。。。。。。。。。。
拟合效果良好，则可以论证能用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
（同理有白葡萄酒求解相关系数后，筛选出r>0.35的理化性质作为主要理化指标。且主要理化指标为：酿酒葡萄的果穗质量、酒石酸、葡萄总黄酮、总糖和可溶性固体物。多元线性回归分析后得到对应方程为：
Y = ?0.097X1 + 0.301X2 ? 0.195X3 + 0.137X4 + 0.057X5（采用标准化数据）
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！