EL V.2 模型用于预测台湾边境的食品安全风险,使用基于投票的组合方法.

科学领域:

• 食品安全 食品安全
• 公共卫生 公共卫生
• 计算智能是一种计算智能.

背景情况:

• 边境管理对于确保进口食品的质量和安全至关重要.
• 台湾在2020年为食品边境控制实施了第一代集体学习预测模型 (EL V.1).
• EL V.1使用了五种算法来评估进口食品的风险,并指导采样决策.

研究的目的:

• 开发第二代集体学习预测模型 (EL V.2) 以提高边境食品安全.
• 提高不合格食品的检测率,提高模型的稳定性.
• 为了比较模型引导抽样与传统随机抽样的有效性.

主要方法:

• 开发了EL V.2使用七个算法,包括包装梯度提升机和包装弹性网.
• 使用弹性网用于特征性风险因素选择.
• 采用Fβ来优化采样速率和基平方测试进行疗效比较.

主要成果:

• 与EL V.1和随机抽样相比,EL V.2显示出更好的预测性能.
• 模型预测检查的不合格率 (5.10%-6.36%) 显著高于随机抽样 (2.09%).
• EL V.2 显示了对不合格食品病例的更好的检测和更强大的模型稳定性.

结论:

• 第二代集体学习模型 (EL V.2) 显著提高了不合格的进口食品的检测.
• 在边境识别不安全食品时,以模型为指导的抽样比随机抽样更有效.
• EL V.2代表了食品安全边境管理的重大进步.