可解释的机器学习,通过矿物元素分析来预测中国的地理来源
Xuming Kang1, Yanfang Zhao1, Lin Yao1
1Key Laboratory of Testing and Evaluation for Aquatic Product Safety and Quality, Ministry of Agriculture and Rural Affairs, Yellow Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences, Qingdao, 266071, China.
中的矿物元素可以追踪它们的地理来源,增强品牌保护. 可解释的机器学习模型准确地识别区域差异,改善食品安全和可追溯性.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 地理来源可追溯性对于的质量,安全和品牌保护至关重要.
- 由于无法解释模型预测,目前的可追溯性方法缺乏可信度.
- 重要和有毒元素的区域差异对消费者构成潜在的风险.
研究的目的:
- 评估可解释机器学习与矿物元素分析相结合的有效性,以确定的可追溯性.
- 通过解释模型预测来提高地理来源可追溯性的可信度.
- 为了确定主要的矿物元素,表明的区域来源.
主要方法:
- 对中的矿物元素的分析.
- 用轻度梯度增强机 (LightGBM) 模型进行分类的应用.
- 使用夏普利添加式解释 (SHAP) 来实现模型的解释性.
主要成果:
- 18种矿物元素被确定为区域起源的决定因素.
- 轻GBM模型实现了高性能 (准确率:96.77%,精度:96.43%,回忆率:98.53%,F1得分:97.32%,AUC:0.998) 的结果.
- SHAP分析揭示了显著的特征相互作用,其中Na,Zn,V,Mg和K是关键预测因素.
结论:
- 可解释的机器学习,加上矿物元素分析,为的地理可追溯性提供了可信和可解释的方法.
- 这些发现强调了考虑区域元素概况对于食品安全和质量保证的重要性.
- 这种方法提供了对元素组成和地理来源之间的关系的见解,支持品牌保护工作.
更多相关视频
09:01An Ultra-clean Multilayer Apparatus for Collecting Size Fractionated Marine Plankton and Suspended Particles
Published on: April 19, 2018
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
相关概念视频
Precipitation and Co-precipitation
Local Attraction
Levels of Use of a GIS
Selected Data About Geographic Locations
GIS Software, Hardware, and Sources of GIS Data
Manipulation and Analysis
