پیشبینی کیفیت شیر با روش یادگیری ماشین CatBoost و الگوریتم ژنتیک

شیر یکی از کالاهای مهم در زنجیره غذایی در سبد خانوار است. از این رو کیفیت شیر از اهمیت ویژه ای برخوردار است زیرا تاثیر مستقیمی بر سلامت مصرف کنندگان و عملکرد صنایع لبنی دارد. در این پژوهش، از الگوریتم CatBoost به همراه تنظیم بهینه ی هایپرپارامترها با استفاده از الگوریتم ژنتیک، برای طبقه بندی کیفیت شیر به سه دسته "بالا"، "متوسط" و "ضعیف" استفاده شده است. همچنین، جهت افزایش تفسیر پذیری مدل از ابزار SHAP استفاده شده است. نتایج تحلیل SHAP نشان می دهد که ویژگی چربی و بوی شیر خام بیشترین تاثیر را بر خروجی مدل دارد. عملکرد مدل با معیارهای ارزیابی به دست آمده به ترتیب عبارت است از: دقت (Precision) برابر با ۰.۹۸۶۷، یادآوری (Recall) برابر با ۰.۹۹۱۵، امتیاز-F۱ (F۱-score) برابر با ۰.۹۸۸۹ و صحت (Accuracy) برابر با ۰.۹۹۰۶. این نتایج حاکی از دقت و قابلیت اطمینان بالای مدل است که می تواند به عنوان یک راهکار سریع، مقرون به صرفه و مطمئن در بهبود فرآیندهای کنترل کیفیت صنایع لبنی مورد استفاده قرار گیرد.

کلیدواژه ها:

پیشبینی کیفیت شیر ، یادگیری ماشین ، الگوریتم ژنتیک ، کنترل کیفیت