Modeling quality changes in Pacific white shrimp ( <i>Litopenaeus vannamei</i> ) during storage: Comparison of the Arrhenius model and Random Forest model
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».