基于食品真实性的BART分类：食品欺诈检测方法
应用统计
2025-10-20 v1
摘要
特征工程在处理高光谱数据和识别食品欺诈检测中的关键波长方面发挥着关键作用。本研究采用贝叶斯加性回归树（BART），这是一种灵活的机器学习方法，用于判别和分类橄榄油样本的纯度水平。凭借其内置的变量选择机制，BART能够有效识别最具代表性的光谱特征，并捕捉变量之间的复杂相互作用。我们使用网络表示来展示我们的发现，突出了所提出方法的竞争力。结果表明，在进行降维时采用主成分分析（PCA），BART在默认设置下实现了96.8%的分类准确率，调优后提升至97.2%。如果我们在BART中利用变量选择程序，该模型在该数据集上实现完美的分类性能，显著提高了以准确率和可解释性方面的结果。我们的结果表明，三个关键波长（1160.71 nm、1328.57 nm、1389.29 nm）在判别橄榄油样本方面起中心作用，从而凸显了该方法在食品质量背景下的应用。进一步分析揭示，这些变量并非独立工作，而是以协同方式以提高准确分类和检测速度。
引用
@article{arxiv.2510.15105,
title = {Bayesian Additive Regression Trees (BART) in Food Authenticity: A Classification Approach to Food Fraud Detection},
author = {Mengxiang Zhu and Riccardo Rastelli},
journal= {arXiv preprint arXiv:2510.15105},
year = {2025}
}
备注
20 pages, including 12 figures and 4 tables. Preprint under review. Not published