多重和最佳选子集:一种选择全球特征原体的方法,用于强大的食品经济学分析

科学领域:

• 代谢学和食物学.
• 分析化学 分析化学
• 化学测量 化学测量 化学测量

背景情况:

• 在代谢学和食品学中,传统的特征选择方法可能会导致任意和低于最佳的模型结果.
• 食品矩阵的复杂性需要先进的分析技术来进行全面的分子分析.

研究的目的:

• 开发和验证多重和最佳选子集 (MOSS) 方法,以实现高效和有效的特征选择.
• 为了比较MOSS与传统方法在食品分析的统计模型设置中的性能.
• 在最小数量的预测器和高预测准确度之间实现平衡.

主要方法:

• 开发了多重和最佳选子集 (MOSS) 方法.
• 他们比较了五种统计模型:学生的t-test,ROC曲线,PLS-DA,随机森林和SVM.
• 使用交叉验证来识别候选特征并确定最佳子集大小.
• 从122个威士忌样品中分析了1406个质谱特征.

主要成果:

• 莫斯 (MOSS) 以88%的准确度生成了波旁酒年龄预测的特征子集.
• 仅使用四个预测因素,MOSS将甜度预测曲线下的面积提高到0.898.
• 与排名最高的特征 (AUC 0.681) 相比,MOSS表现出卓越的性能.

结论:

• 在代谢学和食品学中,MOSS方法为最佳特征选择提供了一种高效和有效的方法.
• MOSS提高了预测准确度,同时最大限度地减少了统计模型中使用的预测器的数量.
• 这种方法提供了一个强大的替代传统的,潜在的任意,特征选择技术.