食品真伪研究中机器学习模型的比较
机器学习
2019-05-20 v1 机器学习
信号处理
摘要
食品真伪研究的基本目标是确定未知食品样本是否被正确标注。在本文中，我们研究了来自不同类型食品样本的三个近红外（NIR）光谱数据集：肉类样本（按物种标注）、橄榄油样本（按地理来源标注）和蜂蜜样本（标注为纯或掺有不同掺假物）。我们对这些数据集应用并比较了大量分类、降维和变量选择方法。NIR数据对分类和变量选择提出了特定挑战：数据集为高维，其中案例数（n）远小于特征数（p），且记录的特征具有高度序列相关性。在本文中，我们对不同方法进行了比较分析，发现偏最小二乘——一种用于此类数据的经典工具——优于所考虑的所有其他方法。
引用
@article{arxiv.1905.07302,
title = {Comparison of Machine Learning Models in Food Authentication Studies},
author = {Manokamna Singh and Katarina Domijan},
journal= {arXiv preprint arXiv:1905.07302},
year = {2019}
}
备注
Accepted for 2019 30th Irish Signals and Systems Conference (ISSC)