使用 XGBoost 和多级 XAI 的可解释近红外光谱白酒等级分类可购买

《Analytical Methods》：Interpretable near-infrared spectroscopic classification of Baijiu grades using XGBoost and multi-level XAIAvailable to Purchase

　　近红外（NIR）光谱为白酒品质评价提供了一种快速且非破坏性的方法，但由于近红外波段宽泛、重叠且高度共线性，解读非线性光谱分类器仍然具有挑战性。本研究将一种可解释的基于极端梯度提升（XGBoost）的近红外策略应用于白酒基酒等级分类，并着重刻画模型决策背后的光谱响应模式。共分析了来自三个生产等级的482个样品。稳定特征XGBoost模型在重复分层交叉验证中达到了93.26%的准确率，并在控制泄漏的重复留出法验证及按生产批次分组验证中保持了有效的区分性能，其中按批次分组的准确率为88.14%。为超越单纯的标签预测，本研究整合了Sobol敏感性分析、Shapley加性解释（SHAP）、累积局部效应（ALE）以及SHAP瀑布分析，以考察全局敏感性、等级特异性归因、非线性响应行为、成对效应以及实例级决策路径。解释结果识别出在约4663 cm?1处存在一个共有的判别锚点，与二级等级相关的贡献位于5812–5836 cm?1附近，而与三级等级相关的更宽响应则分布在5800–6600 cm?1范围内。ALE进一步揭示了非线性过渡、平台行为以及成对响应面，而瀑布分析则展示了相互竞争的局部贡献如何导致某个个体的误分类。这些结果表明，白酒等级区分是由分布式和相互关联的光谱模式所主导的，而非孤立的光谱带响应。所识别的区域大致与O–H及C–H相关的近红外吸收区间一致，但应将其解释为模型层面的光谱关联。总体而言，联合分析支持了对基于近红外光谱的白酒等级分类进行更透明、可追溯的解读，并为快速质量筛查提供了一种辅助策略。