-导 读-

爱荷华州立大学 Mehnuma Tabassum 等人在期刊《International Journal of Gastronomy and Food Science》发表题为“Predictive modeling using artificial intelligence for sensory panel assessments of customized beer production”的研究性论文。 

—摘 要—

   啤酒品鉴感官小组在确保啤酒外观、香气、口感、口感等方面发挥着至关重要的作用，并帮助酿酒商使其生产工艺与消费者偏好保持一致。然而，组建一组训练有素的感官评价员成本高昂。为此，本研究提出利用预测建模来复制啤酒感官评审小组的功能。

   研究使用了一个数据集，包含12个与烟熏味、泥土味、木质味、辛辣味等相关的响应变量，以及48个输入特征，涵盖众多风味成分、多种木材形式（条、块、片、粉末）和不同的调理时间。在预测建模方面，使用了五种机器学习方法训练模型：朴素贝叶斯（NB）、C5.0（C5）、随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGBoost）。基于多种分类指标的优越表现，随机森林模型被选为所有响应变量的最终预测模型。

   此外，研究还提供了所有响应变量的重要特征列表。因此，本研究展示了机器学习方法可以成功预测啤酒品鉴感官评审，并帮助酿酒行业节省额外的成本和时间。

—成果总结—

   （1）数据处理与模型构建：研究团队对包含74个实例和48个输入特征的定制啤酒数据集进行分析，采用上采样方法处理严重的类别不平衡问题，并构建了五种机器学习分类模型（NB、C5.0、RF、SVM、XGBoost）进行感官响应预测；

   （2）模型性能评估：通过独立测试集验证和8折交叉验证，Kruskal-Wallis检验证实模型间存在显著差异，Dunn检验的成对比较表明，随机森林（RF）、SVM和XGBoost显著优于朴素贝叶斯和C5.0，其中RF在几乎所有响应的交叉验证中实现了零分类误差；

   （3）最优模型选择：综合分类误差、精确率、召回率和F1分数等多项指标，随机森林被选为所有12个感官响应变量的最终预测模型，因其运行速度更快、参数调优更简便，且在对完全未见数据点的测试中大多实现100%预测准确率；

   （4）关键特征识别：RF模型通过基尼指数识别出每个感官响应的重要预测特征，例如“烟熏味”的最重要预测因子是酒精含量百分比，“木质味”与5-甲基糠醛、4-乙基苯酚等化合物密切相关，为酿酒商调控特定风味提供了重要指导信息。

来源：公众号—食品风味感知创新
原文链接：https://mp.weixin.qq.com/s/mfnJ6e1VSxppMk2SpE73pw