Robust Multiclass Feature Selection for the Authentication of Honey Botanical Origin via Nontargeted LC-MS Analysis
Notice bibliographique
Résumé
Honey is one of the most frequently frauded foods due to the high market price of certain kinds of monofloral honey. Traditional authentication methods involving pollen or targeted analysis have limitations that can be manipulated by fraudsters. Nontargeted analysis of honey via liquid chromatography–mass spectrometry (LC-MS) can provide data on thousands of chemical features. However, most studies that train machine learning models for food authentication have sample sizes in the tens or hundreds, which introduces the problem of overfitting when working with such a large feature-to-sample ratio. Herein, a recursive feature elimination (RFE) pipeline was developed specifically to address the challenges of optimizing the honey chemical fingerprint for multiclass machine learning classifiers on a limited number of samples with imperfect labels. A support vector machine was used for both RFE and classification to reduce the 2028 nontargeted features down to just 54 features (a 97.3% reduction) without any loss of classification performance. The resulting model was a 6-class classifier, capable of identifying monofloral blueberry, buckwheat, clover, goldenrod, linden, or other honey with a nested cross-validation Matthews correlation coefficient (MCC) of 0.803 ± 0.046. The development of a k -nearest neighbors filter and the decision to continue the RFE process beyond the iteration with the highest classification score were instrumental in achieving this outcome. This work shows a complete pipeline that automates feature selection from nontargeted LC-MS spectra when working with a limited number of samples and imperfect labels. This process can also be expanded to other food groups and spectral data.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».