Modeling quality changes in Pacific white shrimp ( <i>Litopenaeus vannamei</i> ) during storage: Comparison of the Arrhenius model and Random Forest model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To investigate the quality changes of Pacific white shrimp stored at 4, −3, and −20°C, indicators including sensory assessment, pH, texture (hardness, springiness, gumminess, chewiness), thiobarbituric acid (TBA), total sulfhydryl content, Ca2+-ATPase activity, and total viable counts (TVC) were studied in this work. The Random Forest model was chosen to estimate the quality changes of these indicators in comparison with the Arrhenius model. During different temperatures, pH, TBA, and TVC increased with the extension of storage time, while the other indicators decreased. Compared with the Arrhenius model, the relative errors of quality indicators of the Random Forest model were below 10%, r2 was close to 1, and root mean square error was mostly below 0.1, which meant a better fitting property for these indicators. Thus, the Random Forest model with higher prediction accuracy is a hopeful method for predicting the changes in the quality of Pacific white shrimp. Practical applications The Random Forest model provides a more accurate and convenient model to predict the quality changes of Pacific white shrimp under the temperature range from −20°C to 4°C, which shows a potential use for shrimp preservation and processing. Random forest model cannot only be used for estimating soil calcium carbonate and other regression issues, but also assessing the shelf life by predicting the values of quality indicators of aquatic products during its storage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle