机器学习和多重线性回归模型可以预测 Askorbic 酸和多含量,以及草中的抗氧化活性

科学领域:

• 农业科学 农业科学
• 生物技术是生物技术.
• 数据科学数据科学数据科学

背景情况:

• 草富含抗氧化剂,如甲酸 (ASA) 和多,对健康有益.
• 测量抗氧化剂含量的传统方法具有破坏性,耗时,需要专门的实验室设备.

研究的目的:

• 开发草中抗氧化化合物的预测模型.
• 利用机器学习 (ML) 和回归分析来基于非破坏性参数预测抗氧化剂水平.
• 评估在现场快速确定抗氧化化合物的可行性.

主要方法:

• 在两年内从三个农场收集了环境,植物生长和农学水果质量数据.
• 采用机器学习算法,包括人工神经网络 (ANN) 增强模型和多重线性回归.
• 利用变量选择技术来确定关键的预测参数.

主要成果:

• 用ANN增强的模型在预测抗氧化活性方面取得了高准确性 (R2=0.96) 和对多和ASA的中度准确性 (R2=0.68-0.78).
• 环境参数和叶子长度被确定为抗氧化活性的重要预测因素.
• 线性回归分析证实了训练,验证和测试集中的预测和实际抗氧化剂数据之间的高适应性.

结论:

• 人工神经网络 (ANN) 增强,步骤和双拉索回归模型可以准确预测草抗氧化化合物.
• 关键的预测参数在现场很容易获得,不需要破坏性实验室分析.
• 开发的模型提供了一种非破坏性和有效的方法来评估草的抗氧化能力.