کاربرد یادگیری ماشین در پیش بینی گرانروی صمغ کتیرا

صمغ کتیرا یک محصول ارزشمند صادراتی است و شاخص گرانروی ژل حاصل از آن به عنوان مهم ترین پارامتر کیفی شناخته شده و بر اساس آن ارزش گذاری می شود. تعیین روشی سریع، دقیق، کم هزینه و غیرمخرب برای تعیین گرانروی ژل حاصل از صمغ کتیرا از چالش های مهم فناوری در صنعت صادرات، درجه بندی و فرآوری این محصول است. در این مطالعه، داده های اندازه گیری شده آزمایشگاهی ویژگی های نوری و مقادیر گرانروی ژل حاصل از نمونه های مختلف صمغ کتیرا برای توسعه مدل های پیش بینی استفاده شد. برای مدل سازی از دو الگوریتم یادگیری ماشین شامل رگرسیون خطی چندگانه MLR و رگرسیون بردار پشتیبان SVR استفاده گردید. مدل ها در محیط پایتون آموزش و اعتبارسنجی شدند. عملکرد مدل ها با شاخص های آماری ارزیابی شامل ضریب تبیین R²، مجذور میانگین مربعات خطا RMSE و میانگین قدر مطلق خطا MAE مقایسه شدند. نتایج نشان داد مدل MLR با مقادیر درصد ۸/۹۷ =R۲، ۸۰۹/۱۷۱ RMSE= و ۵۸۳/۱۲۱ MAE= نسبت به مدل SVR عملکرد بهتری در پیش بینی مقادیر گرانروی دارد. بنابراین، استفاده از این مدل امکان برآورد سریع، کم هزینه و غیرمخرب گرانروی نمونه های مختلف صمغ کتیرا را فراهم می کند.

کلیدواژه ها:

اعتبارسنجی متقاطع ، بردار پشتیبان ، پایتون ، رگرسیون ، مدل سازی ، هوش مصنوعی