基于可解释机器学习的烟草叶位置歧视模型的构建和解释
Ranran Kou1, Cong Wang1, Jinxia Liu2
1Key Laboratory of Tobacco Chemistry, Zhengzhou Tobacco Research Institute of China National Tobacco Corporation (CNTC), Zhengzhou, China.
Frontiers in plant science
|August 11, 2025
概括
这项研究引入了一种新的机器学习方法,用于使用化学成分识别烟草叶的位置. 该方法准确地区分了叶子的位置,并揭示了特定化学化合物的影响.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 烟草叶的质量与化学成分有关,叶子的位置是关键指标.
- 分析化学成分的传统方法耗时且劳动密集.
- 现有的近红外 (NIR) 光谱模型用于叶子位置歧视缺乏解释性.
研究的目的:
- 开发一个可解释的机器学习模型,用于烟草叶的位置歧视.
- 为了确定影响叶子位置的关键化学成分.
- 将快速化学分析与先进的解释性技术相结合.
主要方法:
- 利用近红外快速分析,获得70种烟草叶的化学成分.
- 使用支持向量机 (SVM),反向传播神经网络 (BPNN) 和随机森林 (RF) 构建了歧视模型,并使用粒子群优化 (PSO) 进行了优化.
- 应用了SHapley添加式解释 (SHAP) 来进行模型解释性和特征重要性分析.
主要成果:
- SVM混合内核模型实现了高精度:98.17%在训练组和96.33%在测试组.
- SHAP分析成功地对特征的重要性进行了排名,并阐明了单个化学成分的贡献.
- 该研究证明了将机器学习与作物分析的可解释性相结合的有效性.
结论:
- 拟议的方法为烟草叶的位置可追溯提供了一个强大的和可解释的解决方案.
- 这种方法有助于识别与叶子位置相关的关键化学标记物.
- 该方法在分析各种农作物的化学特征方面具有应用潜力.
