基于决策树的食物歧视算法的比较,使用振动光谱学
Leandro P da Silva1, Micael D L Oliveira1, Javier E L Villa1
1Institute of Chemistry, University of Campinas (UNICAMP), Campinas 13081-970, SP, Brazil.
Food chemistry
|May 29, 2025
概括
决策树算法,包括随机森林,使用光谱学准确识别食品的真实性. 随机森林在区分无质面包和造的子水方面表现优异.
科学领域:
- 分析化学 分析化学
- 化学测量 化学测量 化学测量
- 食品科学 食品科学 食品科学
背景情况:
- 像近红外 (NIR) 和拉曼光谱等光谱技术对于食品分析非常有价值.
- 机器学习算法为解释复杂的光谱数据提供了强大的工具.
- 准确的食品歧视对于质量控制,真实性验证和消费者安全至关重要.
研究的目的:
- 系统地评估基于决策树的算法 (决策树,随机森林,XGBoost) 用于二进制食物歧视.
- 用NIR和拉曼光谱来评估这些算法的性能.
- 为了提高模型的化学解释性.
主要方法:
- 采用近红外 (NIR) 和拉曼光谱来获取数据.
- 决策树,随机森林和XGBoost算法用于分类任务.
- 使用传统方法和杂质减少策略来评估特征的重要性.
- 算法的优化涉及评估优点和分割方法的数字.
主要成果:
- 在区分含与无面包以及纯与含糖造的子水方面,达到高达99%的准确度.
- 确定的主要光谱特征包括与水 (OH) 和蛋白质 (CH,NH) 相关的NIR波段,以及与糖化C-O-C键相关的拉曼波段.
- 随机森林在准确性方面表现优于决策树和部分最小方程差异分析,并且提供了比XGBoost.com更强大的结果.
- 杂质减少策略改善了化学解释性.
结论:
- 基于决策树的算法,特别是随机森林,在使用光谱数据进行食品歧视方面非常有效.
- 光谱学与机器学习相结合,为确保食品真实性和质量提供了一种强大的方法.
- 开发的方法提供了增强的化学解释性,有助于理解歧视性光谱特征.
