换一批基于集成学习优化的肉制品安全风险等级预警分析
Safety Risk Level Early Warning of Meat Products Based on Optimized Ensemble Learning
摘要该研究依据2013～2017年肉制品抽检数据构造了5 个安全风险等级,使用特征构造及独热编码进一步关联与肉制品安全相关的影响因素,构建极端梯度提升树算法(Extreme Gradient Boosting,XGBOOST)研究食品生产过程各类因素对于食品安全风险等级的影响程度,并使用多个指标评价模型.此外通过上采样解决样本不平衡问题、贝叶斯优化调节超参数,来提高模型性能及分类效果.相较于模型决策树(Decision Tree,DT)和随机森林(Random Forest,RF),XGBOOST模型在肉制品安全风险等级分类中的表现效果最佳.研究结果表明,食品生产过程环节错综复杂,使用one-hot encoding处理后的模型能够有效判断出各类因素对于食品安全风险等级的影响程度,集成模型中 RF 的学习效果比较稳定,XGBOOST 经过参数调节后准确率等指标得到有效的提升且优于RF.不同采样下XGBOOST的平均精确率均能达到89.14%,平均F1值为88.59%,说明XGBOOST在肉制品安全风险等级预警中适用性,为日常抽检提供技术指导.
更多相关知识
关键词
食品安全风险独热编码决策树集成学习极端梯度提升树随机森林food safety riskone-hot encodingdecision treeensemble learningextreme gradient boostingrandom forest
栏目名称
DOI
10.13982/j.mfst.1673-9078.2023.8.0878
发布时间
2023-09-15（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2018YFC1603602）
- 浏览5
- 被引5
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
