过量采样方法用于机器学习模型数据训练,以提高模型预测菜洗水中的大肠杆菌MG1655存在的能力
Jacob A Stanosheck1, M Elena Castell-Perez1, Rosana G Moreira1
1Department of Biological and Agricultural Engineering, Texas A&M University, College Station, Texas, USA.
Journal of food science
|December 5, 2023
概括
像SMOTE和ADASYN这样的过量采样技术显著改善了机器学习模型,用于检测菜洗水中的大肠杆菌. 水的导电性和度是大肠杆菌存在的关键指标.
科学领域:
- 食品安全 食品安全
- 微生物学 微生物学
- 机器学习 机器学习
背景情况:
- 在农业用水中精确检测大肠杆菌 (大肠杆菌) 对于预防食物传播疾病至关重要.
- 机器学习模型为快速检测大肠杆菌提供了潜力,但性能可能会受到不平衡数据集的阻碍.
研究的目的:
- 评估过量采样技术在提高机器学习模型性能以预测菜洗水中的大肠杆菌MG1655存在方面的有效性.
- 为了比较不同超采样方法和数据预处理对模型准确性的影响.
主要方法:
- 应用了三种过量采样方法 (SMOTE,ADASYN和第三种未指定的方法) 来平衡用于训练随机森林 (RF),支持矢量机 (SVM) 和二项逻辑回归 (BLR) 模型的数据集.
- 模型经过训练和测试,有或没有数据预处理 (集中,标准化,异常值替换).
- 使用10倍交叉验证进行了超参数优化.
主要成果:
- 与非超样本模型相比,SMOTE和ADASYN显著提高了SVM和RF模型的性能.
- 基于SMOTE的RF实现了90.0%的精度,93.8%的灵敏度,87.5%的特异性和98.2%的AUC,没有预处理.
- 数据预处理具有不同的影响,改善了BLR,但降低了SVM和RF模型的性能.
- 水的导电性和度被确定为对大肠杆菌检测最有影响力的物理化学特征.
结论:
- 过量采样技术,特别是SMOTE和ADASYN,有效地提高了机器学习模型在菜洗水中检测大肠杆菌的性能.
- 选择过量采样方法和应用数据预处理步骤可以显著影响模型结果.
- 水的导电性和度等物理化学参数是预测大肠杆菌污染的有价值指标.
