Peut-on prédire comment un vin sera jugé sur ses qualités chimiques ?

Un petit avertissement pour commencer, avant qu'un chimiste ou un sommelier ne fulmine sur le ridicule ou l'inutilité de cet article, et c'est pour garder à l'esprit qu'il s'agit de mon premier projet de données et que mon intention n'était pas de révolutionner l'industrie du vin ou de trouver un diamant dans la perspicacité brute. Je suis simplement tombé sur un ensemble de données utile et je voulais m'entraîner à créer un projet de données de bout en bout afin de démontrer mon approche d'un problème et les outils que je suis capable d'utiliser pour le résoudre. Cela étant dit, toute critique constructive serait très appréciée.

Question:

Les données empiriques peuvent-elles être utilisées pour prédire des qualités subjectives ? Le vin vient peut-être juste après l'art moderne en ce qui concerne les préférences gustatives : Si vous partagez une bouteille de Chianti avec cinq personnes différentes, vous obtiendrez probablement cinq opinions différentes à son sujet. Avant même de prendre une gorgée, quelqu'un est tenu de devenir poétique sur son bouquet d'arômes qui sera inévitablement contesté par un autre dégustateur.

Malgré cela, est-il possible d'analyser le vin d'un point de vue chimique afin de déterminer s'il sera généralement apprécié ou non ? Et si oui, est-il plus facile de le faire avec des vins rouges qu'avec des vins blancs ?

Préparation des données:

La source de ces données provient d'un utilisateur de Kaggle qui a partagé un ensemble de données de fichier .csv contenant des attributs de près de 1 600 types rouges et de plus de 4 500 types blancs de « vinho verde » portugais. L' ensemble de données provient d'une étude réalisée en 2009 par Paolo Cortez, professeur à l'Université de Minho au Portugal. Tous les vins provenaient du nord du Portugal et toutes les étiquettes ou prix spécifiques avaient été supprimés.

L'ensemble de données original se composait de 12 colonnes (11 étaient des entrées physico-chimiques et une était une sortie sensorielle) et parmi ces 11, j'en ai choisi six pour comparer :

1. Acide citrique
2. Niveaux de pH
3. Sulfites
4. Volatilité acide
5. Teneur en alcool
6. Chlorures

Traitement de l'information:

L'ensemble de données a nécessité très peu de nettoyage car les ensembles de données (un pour le rouge et un autre pour les vins blancs) ne contenaient pas de valeurs nulles ni de doublons, bien que la seule différence entre les deux tableaux soit la plage de qualités entre les deux. Les valeurs de qualité étaient des sorties variables représentées sous forme de données sensorielles et pour le vin rouge variaient de 3 à 8 (sur une échelle de 0 à 10) tandis que les vins blancs variaient de 3 à 9. Au cours du processus de transformation des données, les nombres entiers ont été convertis en valeurs de chaîne. pour leur donner une étiquette plus descriptive qui correspond au fait qu'il s'agit d'informations subjectives et non empiriques.

Les vins blancs étiquetés «supérieurs» dont il n'y avait que 5, soit 0,11% de l'ensemble des données, ont ensuite été supprimés pour me permettre une meilleure comparaison côte à côte des deux vins.

Après avoir nettoyé les données, je les ai importées dans RStudio afin de voir à quoi ressemble la distribution de la qualité d'un point de vue statistique :

La moyenne était légèrement plus élevée pour les vins blancs et les deux avaient un intervalle interquartile de 1. La variance (var) et l'écart type (sd) du vin blanc étaient légèrement plus élevés, ce qui est logique lorsque vous regardez le tableau de distribution ci-dessus comme une grande majorité. des vins rouges appartenaient à la catégorie Assez bon et bon tandis que les vins blancs avaient un pourcentage plus élevé de très bon et excellent.

À partir de ce moment, il était clair que j'avais une distribution fiable des données et maintenant le processus d'analyse pouvait commencer.

L'analyse des données:

Ma première étape a été de créer une base de données à l'aide de PostgreSQL qui consistait en une table de vins blancs et rouges. J'ai ensuite exécuté des requêtes pour trouver la moyenne de chacune des six catégories, puis les ai regroupées en fonction de la qualité. En mettant les résultats par ordre décroissant de qualité, j'ai pu voir s'il y avait une corrélation. Voici un exemple de requête côte à côte où j'ai joint les tables blanches et rouges pour comparer les corrélations :

Vous pouvez voir une corrélation claire entre le niveau d'acide citrique et la qualité parmi les vins rouges alors que les résultats pour les vins blancs étaient beaucoup moins fiables.

À ce stade, j'ai pu commencer à créer une visualisation de tableau de bord qui pourrait facilement montrer comment les différentes caractéristiques étaient liées à la qualité et voir si les vins rouges continueraient ou non à afficher des résultats cohérents.

Partage de données :

J'ai enregistré les résultats de ma requête SQL au format .csv et téléchargé cette nouvelle base de données dans Tableau. À partir de là, il s'agissait simplement de créer des graphiques à barres faciles à lire pour raconter l'histoire de ces données.

Le tableau ci-dessus montre clairement une corrélation très cohérente entre les valeurs et la qualité du vin rouge avec l'excellente variété possédant les valeurs les plus élevées ou les plus basses (la même chose pourrait être dite pour la mauvaise qualité).

Cependant, lorsque l'on regarde les vins blancs, les données racontent une histoire différente. Certaines caractéristiques telles que les chlorures et l'alcool présentent des corrélations claires, bien qu'imparfaites, tandis que les sulfites et le pH sont beaucoup moins fiables.

À ce stade, je voulais voir s'il y avait un moyen de comparer les deux vins côte à côte afin de voir si la différence pouvait être plus clairement représentée. En utilisant les résultats de la requête SQL que j'ai ensuite téléchargés dans Excel, j'ai ensuite utilisé une formule de mise à l'échelle pour normaliser les données des différentes caractéristiques, puis j'ai téléchargé cette nouvelle feuille dans Tableau. En mettant tout à l'échelle de 0 à 1, j'ai pu créer une sorte de graphique de classement où la qualité avec la valeur la plus élevée recevait un 1, la plus basse un 0, et en fonction de la différence, les quatre autres valeurs se situaient quelque part entre les deux.

Maintenant, il est devenu clair en ce qui concerne le vin rouge que les vins excellents et pauvres avaient chacun trois valeurs de 0 et 1 tandis que les autres autres qualités se situaient quelque part au milieu. Les vins blancs, en revanche, avaient une répartition beaucoup plus égale, chaque qualité possédant au moins une mais pas plus de deux valeurs 0 ou 1.

Conclusion:

L'analyse des données de ce projet montre qu'avant même de servir une classe de vin rouge du nord du Portugal, on peut prédire de manière fiable le type d'opinion que les personnes qui le boivent auront. Et bien que je ne sois certainement pas sommelier ou viticulteur, ces données pourraient être utilisées lors de la recommandation de vins ou pendant le processus de production du vin pour affiner le produit final.

J'ai vraiment apprécié ce projet car il m'a donné l'opportunité d'utiliser une variété d'outils et de logiciels, d'analyser des données et d'appliquer mes compétences à une situation réelle. Merci beaucoup d'avoir lu J'espère que ce projet vous a appris quelque chose de perspicace.