Ọ<br />
<br />
N<br />
<br />
N<br />
<br />
M<br />
<br />
M<br />
<br />
KHOA CÔNG NGH TH C PH M<br />
BỘ M N ÁN<br />
<br />
Á ẢM QUAN TH C PH M<br />
<br />
T I:<br />
<br />
TÌM HIỂU VỀ ỨNG DỤNG CỦA PCA<br />
TRONG PHÂN TÍCH MÔ TẢ ỊN<br />
<br />
GVHD:<br />
Lớp:<br />
SINH VIÊN THỰC HIỆN:<br />
<br />
TP HCM Th ng năm<br />
<br />
LƢỢNG<br />
<br />
ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br />
<br />
DANH SÁCH NHÓM<br />
STT<br />
<br />
NHÓM<br />
<br />
Ọ & ÊN<br />
<br />
MSSV<br />
<br />
PHÂN CÔNG<br />
<br />
2<br />
<br />
ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br />
<br />
MỤ LỤ<br />
Chƣơng 1.<br />
<br />
iới thiệu phƣơng pháp Principle Component Analysis (PCA) ..........4<br />
<br />
1. Khái niệm .............................................................................................................4<br />
ách tiến hành phƣơng pháp PCA ....................................................................4<br />
<br />
2.<br />
<br />
3. Ƣu điểm của<br />
<br />
A:............................................................................................... 5<br />
<br />
4. Mục đích chính ....................................................................................................5<br />
Chƣơng 2. Ứng dụng của<br />
<br />
A ...................................................................................7<br />
<br />
1. Quá trình lên men................................................................................................ 7<br />
ánh giá cảm quan .............................................................................................. 8<br />
<br />
2.<br />
<br />
3. PCA của thuộc tính cảm quan của sản phẩm lên men ....................................8<br />
4. Ứng dụng trong đánh giá cảm quan của sản phẩm sữa ................................ 10<br />
4.1.<br />
<br />
Giới thiệu .....................................................................................................10<br />
<br />
4.2.<br />
<br />
Phân tích mô tả định lƣợng .......................................................................12<br />
<br />
4.3.<br />
<br />
ịnh nghĩa hƣơng vị cho sản phẩm sữa ...................................................13<br />
<br />
5. Sử dụng PCA trong chế biến nƣớc ép rau bằng cách lên men lactic ...........14<br />
5.1.<br />
<br />
Giới thiệu .....................................................................................................14<br />
<br />
5.2.<br />
<br />
Nguyên liệu ..................................................................................................15<br />
<br />
5.3.<br />
<br />
Xácđịnh pH : ............................................................................................... 15<br />
<br />
5.4.<br />
<br />
Xác định Acide: ........................................................................................... 15<br />
<br />
5.5.<br />
<br />
ánh giá cảm quan của các loại nƣớc ép bắp cải, cà rốt ........................ 16<br />
<br />
5.6.<br />
<br />
PHƢƠNG PHÁP THỐNG KÊ ..................................................................16<br />
<br />
5.7.<br />
<br />
KẾT QUẢ ....................................................................................................16<br />
<br />
6. Ứng dụng PCA trong sản phẩm sữa tiệt trùng...............................................17<br />
6.1.<br />
<br />
Tóm tắt.........................................................................................................17<br />
<br />
6.2.<br />
<br />
Giới thiệu .....................................................................................................17<br />
<br />
6.3.<br />
<br />
PCA ..............................................................................................................18<br />
<br />
TÀI LI U THAM KHẢO........................................................................................... 22<br />
<br />
NHÓM<br />
<br />
3<br />
<br />
ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br />
<br />
hƣơng 1<br />
<br />
iới thiệu phƣơng pháp rinciple Component Analysis (PCA)<br />
<br />
1. Khái niệm<br />
Phương ph p Principle Component Analysis (PCA) đây là một thành tựu<br />
của tóan học mà ngày nay được ứng dụng trong rất nhiều lĩnh vực: công nghệ thông<br />
tin sinh học tài chính … và công nghệ thực phẩm<br />
Với dữ liệu cần phân tích ban đầu phụ thuộc nhiều biến vấn đề là c c biến này<br />
thường có tương quan với nhau sẽ bất lợi cho việc p dụng c c biến này để xây dựng<br />
c c mô hình tính to n ví dụ: hồi quy… và với số biến giải thích lớn chúng ta sẽ rất khó<br />
để có c i nhìn trực quan về dữ liệu<br />
2. ách tiến hành phƣơng pháp<br />
A<br />
hƣơng pháp<br />
A sẽ "chiếu" (biễu diễn) dữ liệu đa chiều lên một không<br />
gian có cơ sở trực giao tức nếu ta xem mỗi cơ sở trong không gian mới là một biến thì<br />
hình ảnh của dữ liệu gốc trong không gian mới này sẽ được biểu diễn thông qua c c<br />
biến độc lập (tuyến tính) Vấn đề là nếu chuyển dữ liệu ban đầu sang không gian mới<br />
thì những thông tin đ ng quan tâm của dữ liệu ban đầu liệu có bị mất? ể giải quyết<br />
vấn đề này phương ph p PCA sẽ tìm không gian mới với tiêu chí cố gắng phản nh<br />
được càng nhiều thông tin gốc càng tốt và thước đo cho kh i niệm "thông tin" ở đây<br />
là phương sai Một điểm hay nữa là c c biến trong không gian mới độc lâp nên ta có<br />
thể tính to n được tỷ lệ giải thích phương sai của từng biến mới đối với dữ liệu điều<br />
này cho phép ta cân nhắc việc chỉ dùng số ít c c biến để giải thích dữ liệu<br />
Nói một c ch ngắn gọn mục tiêu của PCA là tìm một không gian mới (với số<br />
chiều nhỏ hơn không gian cũ) C c trục tọa độ trong không gian mới được xây dựng<br />
sao cho trên mỗi trục độ biến thiên của dữ liệu trên đó là lớn nhất có thể Tiếng Việt<br />
thì dài dòng nhưng tiếng Anh thì mục tiêu này gọi là maximize the variability Ba chữ<br />
này gói gọn ý tưởng chính của PCA.<br />
<br />
NHÓM<br />
<br />
4<br />
<br />
ề tài: Tìm hiểu ứng dụng của PCA trong phân tích mô tả định lượng<br />
<br />
Minh họa PCA: phép chiếu lên c c trục tọa độ kh c nhau có thể cho c ch nhìn<br />
rất kh c nhau về cùng một dữ liệu<br />
Một ví dụ kinh điển là hình ảnh về con lạc đà Cùng là một con lạc đà nhưng<br />
nếu nhìn từ bên hông thì ta có được đầy đủ thông tin nhất trong khi nhìn từ phía trước<br />
thì thật khó để nói nó là lạc đà<br />
3. Ƣu điểm của<br />
A:<br />
Giúp giảm số chiều của dữ liệu<br />
Thay vì giữ lại c c trục tọa độ của không gian cũ PCA xây dựng một không<br />
gian mới ít chiều hơn nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không<br />
gian cũ nghĩa là đảm bảo độ biến thiên (variability) của dữ liệu trên mỗi chiều mới<br />
C c trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ<br />
do đó về mặt ngữ nghĩa PCA xây dựng feature mới dựa trên c c feature đã quan s t<br />
được iểm hay là những feature này vẫn biểu diễn tốt dữ liệu ban đầu<br />
Trong không gian mới c c liên kết tiềm ẩn của dữ liệu có thể được kh m ph<br />
mà nếu đặt trong không gian cũ thì khó ph t hiện hơn hoặc những liên kết như thế<br />
không thể hiện rõ<br />
4. Mục đích chính<br />
Phân tích thành phần chính (PCA) được sử dụng cho hai mục tiêu:<br />
Giảm số lượng các biến bao gồm một bộ dữ liệu trong khi giữ lại các biến đổi<br />
trong dữ liệu.<br />
X c định các mô hình ẩn trong dữ liệu, và phân loại chúng theo nhiều cách<br />
thông tin lưu trữ trong các dữ liệu.<br />
Khi khai thác một bộ dữ liệu bao gồm nhiều biến (sử dụng thay thế cho nhau<br />
với kích thước hạn sau đây) có khả năng là c c tập con của các biến liên quan chặt chẽ<br />
với nhau. Cho một tương quan cao giữa hai hay nhiều biến số có thể kết luận rằng các<br />
biến này là kh dư thừa do đó chia sẻ các nguyên tắc về việc x c định kết ể minh<br />
chứng cho lập luận này chúng ta hãy xem xét một ví dụ cơ bản. Giả sử chúng ta đã đo<br />
được 2 tham số (tức là tính đại diện bởi số lượng bằng số) của một hình phẳng đó là<br />
NHÓM<br />
<br />
5<br />
<br />