利用机器学习算法预测、建模并优化可食用薄膜的性能

《Journal of Food Measurement and Characterization》：Predicting, modelling, and optimising the properties of edible films using machine learning algorithms

　　

摘要

通过传统的试错方法来确定用于生产可食用薄膜的最佳配方是一种劳动强度大、耗时且成本高昂的过程。为克服这些难题，本研究采用了一种创新的基于机器学习的方法。在研究范围内，对使用亚麻籽胶和洋葱皮废弃物在实验室环境中制成的薄膜样品（F0、F1、F5、F10）的物理、机械和化学性质进行了全面分析。随后，应用了包括随机森林、支持向量回归、线性回归、贝叶斯回归和k-NN在内的多种机器学习算法，来准确预测薄膜的关键性能指标，如断裂伸长率、透光率、抗氧化活性以及总酚含量。在所应用的算法中，随机森林的表现最佳，其R2值为0.8655。为提高模型性能的可解释性，还采用了SHAP和LIME方法来分析输入变量对输出变量的定量影响。SHAP分析结果显示，洋葱皮提取物的用量是决定抗氧化能力和酚含量的关键因素。同时，LIME分析则展示了在接近最优解的样本中，某些变量是如何影响预测结果的。对于薄膜性能的可解释性分析，还运用了累积局部效应和排列特征重要性方法。PFI分析定量显示了配方参数对薄膜性能的相对影响，而ALE分析则展示了参数在特定范围内的变化方向及其非线性行为。研究结果表明，洋葱皮提取物的用量对总酚含量和抗氧化能力具有决定性作用。