相关实验视频
Updated: Jul 27, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.1K
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
Li-Ya Wu1, Fang-Ming Liu1, Sung-Shun Weng2
1Food and Drug Administration, Ministry of Welfare, Taipei 115209, Taiwan.
Foods (Basel, Switzerland)
|June 10, 2023
概括
台湾 台湾 台湾 台湾
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.
