Impact of Data Grouping on the Multivariate Analysis of Several Concrete Plants
Notice bibliographique
Résumé
Multivariate analysis can be used to study industrial process data exhibiting collinearity between variables. Such data can often be collected into conceptually meaningful groups or blocks. While data blocks may appear intuitive (e.g., raw material properties vs. process parameters), such blocking is sometimes much more subjective. The novelty of this work lies in the investigation of the impact of data blocking on the subsequent analysis. To our knowledge, no such investigation can be found in the literature. To fill this gap, we analyze the impact of grouping data from 10 Canadian concrete plants in which multiple blocking alternatives are considered. The analysis is performed via principal component analysis (PCA) to reduce the dimensionality of the matrix and also via consensus principal component analysis (CPCA). The data grouping options are as follows: (1) all data combined into a single block, (2) grouped according to the factory, (3) grouped according to parameter type, and (4) grouped according to parameter type within each factory. The results show that the grouping strategy alters the conclusion by emphasizing specific aspects of the data. While some grouping options emphasized seasonal variations, others emphasized other characteristics in the data, such as step changes in processing regimes or the significant impact of the raw materials’ moisture on the process. As such, it appears relevant to consider multiple blocking options when analyzing complex datasets. Doing so will give the analyst a better understanding of overarching trends and more subtle characteristics of the dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».