基于常规理化属性的NFC复合果汁总酚含量预测的Optuna优化堆叠模型：基于SHAP的可解释性分析

《Food Chemistry》：Optuna-optimized stacking models for predicting total phenolic content in NFC compound juices based on routine physicochemical attributes: Interpretability analysis via SHAP

　　

基于常规理化属性（Routine Physicochemical Attributes，RPA）预测非浓缩还原（Not From Concentrate，NFC）复合果汁中总酚含量（Total Phenolic Content，TPC），研究人员采用Optuna平台对六种回归基模型进行超参数优化，并系统评估了不同RPA子集下TPC预测模型的性能。堆叠（Stacking）集成策略显著提升了模型对TPC预测的稳健性和泛化能力。通过Shapley加性解释（SHAP）分析，研究人员揭示了各RPA对模型输出的贡献模式，实现了透明的TPC评估。进一步，基于SHAP重要性排序，研究人员将模型输入从六项RPA精简至四项，且预测性能无明显损失。该研究为果汁功能品质的快速、低成本、环境可持续评估提供了新思路。

研究背景：果汁因其丰富风味和营养价值被视为高附加值产品，其中NFC果汁因更温和的加工条件而更好地保留营养成分和生物活性物质。酚类化合物（以TPC表征）具有抗氧化和抗炎活性，是评价果汁功能品质的关键指标。传统Folin-Ciocalteu比色法虽准确可靠，但耗时、劳动密集且产生含重金属化学废物，难以满足高通量生产需求。果汁生产中常规测定的理化属性（RPA，包括色度L?、a?、b?、可溶性固形物含量SSC、可滴定酸度TA和pH）若能与TPC建立复杂映射关系，则可作为低成本替代指标。然而，现有研究缺乏系统性的模型优化、集成策略和可解释性分析。为此，研究人员提出结合Optuna自动超参数优化、堆叠集成学习和SHAP可解释性分析，构建预测NFC复合果汁TPC的数据驱动框架。

研究内容与结论：研究人员以商业NFC苹果汁、芒果汁、橙汁和梨汁为原料，通过Minitab 21的单纯形格子设计配制282个混合样品（含二元、三元和四元混合物），测定七项理化属性（含TPC）。采用Z-score剔除异常值后，用Kennard-Stone算法按3:1划分校准集和预测集。建立六种回归基模型（RF、XGBoost、LGBM、GBM、AdaBoost、CatBoost），通过Optuna平台进行100次超参数优化，以最小化交叉验证均方根误差（RMSECV）。随后构建两层堆叠框架，以线性回归为元模型整合基模型预测。性能评估显示，六RPA输入下堆叠模型取得最佳预测精度（R2_p=0.956，RMSEP=0.058 mg GAE/mL，RPD=4.825），优于所有基模型及传统PLSR、SVM基准模型。SHAP分析表明，色度参数b?和a?是最重要预测因子，其次为pH和SSC，L?和TA贡献最小。进一步通过逐步变量约简，发现将RPA从六项减至四项（b?、a?、pH、SSC）时性能无显著下降（R2_p=0.918，RPD=3.510），而减至三项则预测可靠性明显恶化。双变量SHAP依赖图揭示a?与b?、SSC与色度间的交互作用，pH模式受配方组成影响而非直接因果效应。

技术方法：研究采用的主要关键技术包括：(1) Optuna自动超参数优化平台（贝叶斯采样与提前停止策略）；(2) 六种梯度提升类基模型（RF、XGBoost、LGBM、GBM、AdaBoost、CatBoost）的构建与比较；(3) 堆叠集成策略，以线性回归作为元模型融合基模型预测；(4) SHAP框架（KernelExplainer算法）进行模型级和特征级可解释性分析；(5) LOWESS非参数回归拟合SHAP依赖曲线，并采用Bootstrap重抽样构建95%置信区间；(6) 基于SHAP重要性排序的逐步变量约简策略。样本队列为282个实验室配制的NFC复合果汁混合物，来源于农夫山泉商业果汁（京东购买）。

研究结果与讨论：3.1 理化属性特征：单汁及混合汁在色度、SSC、TA、pH和TPC上存在显著差异，芒果汁L?和b?最高，橙汁SSC最高，梨汁L?最低，苹果汁TA和TPC最低。混合汁属性大致介于组分之间，MO混合汁（芒果-橙）TA和TPC最高。随混合复杂度增加，属性变异范围收窄，数据集涵盖广泛理化异质性。3.2 六RPA预测模型：所有基模型R2_p≥0.850且RPD>2.6，CatBoost表现最佳（R2_p=0.925）。Pearson相关矩阵显示RPA与TPC线性相关弱（|r|≤0.52），且SSC与TA强相关（r=0.74），表明非线性关系占主导。堆叠模型通过整合异质基模型互补信息，将预测精度提升至R2_p=0.956，性能下降最小。3.3 SHAP可解释性：基模型层显示b?和a?为主导变量，b?高和a?低对应高TPC预测；pH和SSC次之。元模型层赋予CatBoost、LGBM和GBM更高权重。依赖图表明a?负斜率（R2_LOWESS=0.96），b?正关联（R2_LOWESS=0.92），SSC效应呈平台饱和。3.4 变量约简：从六项减至四项RPA时交叉验证性能无显著下降，预测R2_p=0.918；减至三项时预测R2_p降至0.754。双变量交互图显示a?与b?协同效应（黄绿色调贡献高），pH与TPC正相关但分层分析显示该关系因配方而异（如AP、AM组合正相关r>0.90，MP、OP负相关r
讨论与结论：SHAP分析揭示色度属性和pH主导TPC预测，SSC通过交互间接作用。模型简化为四项RPA后仍保持高精度，证明常规理化数据可复用为TPC估算工具，无需额外萃取、显色和分光光度步骤。该方法论创新在于整合预测-解释-变量约简流程，将日常质量检测数据转化为功能品质指标，为工业在线评估提供理论基础。研究结论为：优化堆叠模型在预测NFC复合果汁TPC方面表现出卓越性能（R2_p=0.956），色度（b?、a?）和pH是最关键预测因子，SSC通过交互间接影响；SHAP引导的变量约简将输入从六项降至四项而无性能损失，具备实际应用潜力。然而，模型基于单一商业品牌实验室配制样品，跨产地、品种、批次适用性需验证；且未鉴定个体酚类化合物，无法建立分子机制，未来需结合HPLC/LC-MS酚谱分析。该工作发表于《Food Chemistry》。