Využití logistické regrese pro hodnocení omaku

1. Využití logistické regrese pro hodnocení omaku Vladimír Bajzík Katedra textilních materiálů, Fakulta textilní, Technická univerzita v Liberci, 46117, Liberec, e-mail: vladimir.bajzik@tul.cz

2. Subjektivní hodnocení omaku I • Vjem, který je vyvolán kontaktem lidské ruky (kůže) s textilií - má integrální charakter primární složky omaku – celkový omak - patří mezi psycho-fyzikální charakteristiky a) hodnocení související s vlastnostmi b) hodnocení související se zkušenostmi atd.

3. Subjektivní hodnocení omaku II • - je obtížně měřitelný • a) výběr hodnotitelů • expert vs. laik • b) výběr sémantiky • vlastnosti a jejich definice, jak hodnotit • c) výběr bodové škály • citlivost hodnocení

4. Predikce subjektivního hodnocení omaku I • Speciální přístroje • Systém KES • 5 skupin – tahové – LT,RT,WT smykové –G,2HG,2HG5 ohybové - B,2HB objemové- LC,WC,RC povrchové-MIU,MMD,SMD 6. skupina geometrické-T0,W

5. Predikce subjektivního hodnocení omaku II • Klasické přístroje v textilníchlaboratořích - adaptéry na dynamometry měření modulu v tahu, střihu - tuhoměry - přístroj měření tření - přístroje na snímání povrchového reliéfu

6. Predikce subjektivního hodnocení omaku III • Matematické modely • Obecně • Lineární • Logaritmické

7. Diskriminační analýza (DA) a logistické regrese (LR) • DA - patří mezi klasifikační metody • Pro vícerozměrné normální rozdělení lze použít lineární diskriminační kriterium Cr-kovarianční matice mezi znaky objektů ve shluku r, xl-řádkový vektor zařazovaného objektu, -vektor středních hodnot pro objekty ve shluku r, -apriorní pravděpodobnost LR – alternativa k MNČ - pro binární závisle proměnnou • alternativa ke klasifikaci, při porušení podmínky vícerozměrného normálního rozdělení - řeší se pravděpodobnostní poměr

8. Experimentální část - 49 tkanin vlnařského typu – pánské oblekovky • A) DA Subjektivně hodnoceny do 3 tříd špatný omak –THV=0 průměrný omak – THV=1 dobrý omak – THV=2 • B) LR Subjektivně do 2 tříd špatný omak –THV=0 dobrý omak – THV=1 • Data ze systému KES, 16 nezávisle proměnných

9. Experimentální část II • Doporučení: min 5 pozorování na 1 znak • Ověření normality – vícenásobné, jednotlivých proměnných 2) Eliminace proměnných - korelace - variabilita v datech

10. Výběr vhodných diskriminátorů • Kriteria • Wilkovo kritérium λ – vyjadřuje diskriminační sílu navrženého modelu, pro λ=0, diskriminátor má velkou diskriminační sílu. λ=1 diskriminátor má malou diskriminační sílu, • F test – představuje hodnotu F-kritéria významnosti změny λ, pro zařazení nebo odstranění znaku do nebo z modelu parciální λ – ukazuje, které znaky přispívají k diskriminaci. Čím menší hodnota tím lepší příspěvek, • p-úroveň (hladina významnosti α) – je to hladina významnosti F- testu. Test je statisticky významný a diskriminátor důležitý pokud je p<0,05.

11. Výsledky-DA

12. Použití logistické regrese • Závisle proměnná y – 2 hodnoty 0 a 1 • Počet nezávisle proměnných x - 10 • Testování koef.regrese a významu znaků pro model • Waldova statistika – vyčísluje statistickou významnost • regresních koeficientů • Korelační koeficient – vztah mezi y a xi • Studentův – t test – testování významnosti jednotlivých regresních koeficientů statistika – ukazuje zda má být znak zařazen do rovnice

13. Výsledky - LR Model Model Model Model R-Squared D.F. Chi-Square Prob 0,563892 10 49,13 0,000000