强大的多类特征选择用于通过非目标LC-MS分析验证蜂蜜植物起源

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 机器学习 机器学习

背景情况:

• 由于单花品种的高价值,蜂蜜欺诈很普遍.
• 传统的蜂蜜认证方法容易受到操纵.
• 非定位液体染色体质谱法 (LC-MS) 提供了全面的化学分析,但由于特征与样本的高比率,对机器学习提出了挑战.

研究的目的:

• 利用机器学习开发一个优化的特性选择管道,用于蜂蜜身份验证.
• 为了应对在有限的样本大小和不完美的标签上训练的模型中过度适应的挑战.
• 创建一个强大的多类分类器,用于识别各种单花蜂蜜类型.

主要方法:

• 使用支持矢量机器 (SVM) 开发了一个递归特征消除 (RFE) 管道.
• 管道将2028个非目标LC-MS功能减少到54个,实现了97.3%的减少.
• 采用k-最近邻居过器和战略RFE代来优化特征选择.

主要成果:

• 最优化的模型实现了蓝,白麦,三叶草,金,或其他蜂蜜的6类分类.
• 尽管显著减少了特征,但仍然保持了高分类性能.
• 最终的模型显示了一个嵌套的交叉验证,马修斯相关系数 (MCC) 为0.803±0.046.

结论:

• 开发的RFE管道有效地自动化了从LC-MS数据中进行特征选择以进行蜂蜜身份验证.
• 这种方法可以提高机器学习模型的性能,使用有限的样本和不完美的标签.
• 该方法适用于使用光谱数据验证其他食品的真实性.