A novel framework for feature importance and sensitivity analysis in machine learning-based prediction of porosity, shrinkage, and bulk density in dehydrated products
Notice bibliographique
Résumé
One key challenge in applying Machine Learning (ML) to drying process modeling is ensuring model robustness and reliability for downstream analysis. This study introduces a novel algorithm to assess the importance of quantitative and qualitative features in ML models developed to predict porosity, shrinkage, and bulk density during food drying. The approach emphasizes feature importance and model sensitivity to input combinations. Product type exerted the most substantial influence on model predictions, followed by temperature, type of drying method, and pressure. Pretreatment conditions and initial moisture content were critical for porosity and shrinkage modeling. Incorporating the additional inputs like initial bulk density, microwave power, or pretreatment increased model complexity without improving predictive accuracy. Sensitivity analysis demonstrated that a 10% increase or decrease in temperature altered predictions up to 22.2% and 27.3%, respectively. Pressure variations (±10%) led to accuracy changes of up to 14.3% for porosity and 19% for bulk density. Replacing apple and brown date data in the porosity model, carrot in the shrinkage model, and apple and potato in the bulk density model with other products caused accuracy changes of 26%, 63%, and 35%, respectively. Substituting data from experiments lacking pretreatment with those including pretreatment markedly altered model performance. Notably, freeze-drying and air-drying replacements induced the most pronounced accuracy shifts: 29.5% in porosity, 43.7% in shrinkage, and 109.2% in bulk density models. The findings highlight the direct impact of data distribution on model sensitivity, underscoring the importance of balanced datasets, normalization, and standardized measurement methods to improve ML model performance and generalizability.
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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».