数据驱动的管道建模用于预测乳制品中未知的蛋白质改

科学领域:

• 食品科学与技术 食品科学与技术
• 分析化学是一种分析化学.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 食品欺诈,特别是蛋白质造,对食品安全和消费者信任构成重大威胁.
• 目前的检测方法往往能识别出已知杂物,留下未知污染物的空白.
• 积极预测潜在的染剂对于有效预防食品欺诈至关重要.

研究的目的:

• 开发数据驱动的模型,用于预防性预测食品中未知的蛋白质改剂.
• 识别和评估机器学习算法,以获得最佳的食品欺诈检测性能.
• 实施预测模型,以识别潜在的 adulterants 和验证其影响.

主要方法:

• 利用三个机器学习 (ML) 算法,包括随机森林 (RF),来构建预测模型.
• 在数据集上训练并验证的模型用于识别无气味,无味,无色杂物.
• 应用了最佳模型进行外部预测,确定了51种潜在的造物,并对选定的候选物进行了造试验.

主要成果:

• 随机森林模型表现出卓越的性能,达到很高的准确率:无气味的96.2%,无味的95.1%,无色染剂的88.0%.
• 外部预测确定了51种潜在的蛋白质 adulterants.
• 牛奶粉的改试验没有显示出显著的感觉差异,但蛋白质含量增加,表明成功的未被检测到的改.

结论:

• 机器学习模型,特别是随机森林,为主动检测未知的蛋白质改剂提供了强大的工具.
• 这项研究成功地预测了潜在的伪造物,并证明了它们能够增加蛋白质含量而不会改变感官特性.
• 这项研究提供了一个积极的战略,有效地打击食品欺诈的源头.