基于机器学习利用酚类化合物、颜色和理化特征预测红酒储存期间的抗氧化能力

《EUROPEAN FOOD RESEARCH AND TECHNOLOGY》：Machine learning-based prediction of antioxidant capacity in red wines during storage using phenolic compounds, color, and physicochemical profiles

　　本研究旨在利用基于酚类化合物、颜色特征和关键理化参数的机器学习模型，预测三种葡萄品种所产红葡萄酒在陈酿过程中由DPPH方法测定的抗氧化能力。数据集共包含297个观测值，涵盖在不同储存条件下获得的99个样本，每个样本设置三次重复。为更真实地评估模型性能，采用了基于分组的交叉验证（GroupKFold）方法，以防止因重复测量导致的数据泄漏。将随机森林（RF）、极端梯度提升（XGBoost）和支持向量回归（SVR）作为机器学习模型进行比较。根据交叉验证结果，XGBoost和RF模型的预测性能水平相近。XGBoost因其在决定系数方面具有边际优势以及适用于基于SHAP的可解释性分析而被选为最终模型。然而，SVR模型的性能表现较低且一致性较差。SHAP分析揭示，颜色强度、pH值、表儿茶素、没食子儿茶素以及某些花青素衍生物是DPPH活性最重要的预测因子。SHAP依赖性分析表明，这些变量对抗氧化能力的影响具有非线性和交互性。研究结果表明，储存期间的抗氧化能力评估不仅应关注时间和温度因素，还应与酚类谱和颜色特征的变化相关联。目前，这些模型应被视为用于初步估算和决策支持的探索性工具，而非直接DPPH测量的替代品。未来研究应采用更大、更多样且独立的葡萄酒数据集来评估其有效性，并探讨是否增加额外的生物化学和工艺相关预测因子能提升预测性能和泛化能力。