这模子不光能把饲料的配方给优化了九游体育app官网，让牛肉的口感和品性擢升上去，而且呢，牛肉食物的安全性也能有充分的保险啦。

【牛肉肉质分级系统】

濒临一直变的阛阓和耗尽者的需求，牛肉产业正在搞投资评级系统呢，宗旨是在通盘供应链里把价值提到最高。澳大利亚的肉类措施，也即是 MSA 系统，这是个以客户为中心的全面质地措置系统，在海外上很隆起，因为它能预测特定的烹调纰谬，还能差别具体肌肉的质地等第。

当今复古 MSA 系统的阿谁模子，得花好多功夫去预见呢，如果存在数据不服衡的情况，它的预测性能可能就没那么准啦，这就意味着有好多肌肉和烹调组合，它们的不雅察数据特出少，或者跟厚味度相关的预测变量也很少能用上。

MSA 模子通过耗尽者小组测试，打造出了一个单独的口感或肉质评分，叫作念 MQ4，这些感官实验包含了不同社区群体中未经培训的耗尽者，而且每一个肌肉、烹调组合的样品王人有十位参与者进行回味。

除开最高和最低的分数，其余六个评分的平均值被拿来构建质地评分啦。耗尽者得字据底下这四个特征来对每个样品进行评估呢，还要在每个刻度的两头作念秀美哦，像嫩度，从从不嫩到十分嫩；多汁度，从未几汁到十分多汁；口味喜好，从极不可爱到极可爱；总体喜好，从极不可爱到极可爱。

接着，商讨东谈主员把这些测量限度换算成 0 到 100 范围内的数字，最终，MQ4 评分是通过把嫩度、多汁度、口味喜好以及总体喜好的加权平中分数整合起来而校服的。

这些属于酮体级别的预测因子呀，和产物在被食用之前预测会陈化的天数预见呢，把它们组合到沿路，就行为是每种烹调纰谬下肌肉级别食用质地预测的输入啦。

把模子相聚来的数据分红数据集 A 类和数据集 B 类啦，数据集 A 类呢，类别比较大但数目少，数据集 B 类的类别就更多啦，而且这些类别无为比较小，还存在更多缺失值呢。

缺失块被界说为，如果在肌肉烹调组合中不雅察动物时出现缺失，那这种特征的系数动物就会被标为缺失值。这种姿首的缺点在于，针对这些肌肉烹调组合，如果东谈主们一一为每个组合去预见模子，受影响变量的系数就没法校服了。

关于那种跨肌肉的烹调组合进行汇总的预测模子呀，得把那些有缺失的特征给排撤退，这么身手保证把系数的不雅测值王人留住来呢。就像在当今这个例子里，得寄望像饲料类型、骨化进程评分以及陈化天数这些首要特征内部是存在缺失值的哦。

可能有东谈主会思着把 RST、SC1 和 SC2 这三种烹调纰谬的系数肌肉烹调纰谬组合的信息，王人淹没到一个大数据集合，接着再哄骗所惨酷的聚首预测模子。

其实呀，如果把太多不同的类别王人弄到一个模子里，那交融套索算法就不好从数据里把有道理的结构给索要出来啦，它往往会得出那些淹没后效果为零的限度呢，尤其当内部有对滋味预测因素产生违抗影响的类别时。

不同类别的组合特出容易受到偏差影响，在模子中挑选要包含的类别得严慎些，把数据集 A 类和 B 类分开，这其实反应了推行天下的领会，像烤制这种烹调纰谬（即数据集 A 类）与慢煮这种烹调纰谬（即数据集 B 类）有着光显不同的响应特色。

【建造预测模子】

在 MSA 这个框架当中呢，东谈主们会哄骗线性记忆模子，去对肌肉烹调特定组合的牛肉的食用质地进行预测呀，而线性模子呢，即是模拟那些依据 MSA 公约所作念实验得出来的食用质地数据的一种措施办法哦。

因为它具有通俗性和可证明性，是以被采选了。用 y(m)i 来暗示响应变量，也即是样本 i 等于 1 到 nm 的食用质地测量，这里的 i 属于肌肉烹调组合 m 等于 1 到 M。用 {x(m)ij}1≤j≤pm 来暗示肌肉烹调组合 m 的整个 pm 个厚味度预测变量。

关于一些肌肉烹调的组合呀，有些厚味度的预测变量可能会没相当值呢。咱们用 Sm 来暗示肌肉烹调组合 m 啦，还有不错用的预测变量辘集呢，这个辘集的基数是 pm 哦，咱们允许有 nm 那么多的不雅测数目，而且预测变量的数目 pm 在不同的肌肉烹调组合之间是会变化的哟。

传统上，要获取每个肌肉烹调组合的参数预见值，是分别运行 m 个沉寂的最小二乘记忆。不外呢，还有一种能聚首预见这 m 个记忆模子的办法，在预见经过中能让不同肌肉烹调组合之间分享信息。

其中呢，有好几种建模纰谬，能够在聚首预测模子里，行为交融拉索的替换聘请，这被称作交融岭啦，它在沉寂模子和淹没模子之间给出了访佛的衡量，和交融套索比起来，规划老本镌汰了好多呢。

能得到预见量的那种闭合体式的抒发式呢，就跟措施岭记忆似的，在那内部呀，系数仅仅被削弱了，不同类别里那些对应的厚味性预测因素的系数可不会全王人相似哦。

在多元记忆模子里，商讨东谈主员借助交融以及拉索预见器来获取参数预见。两个数据集在通盘调整参数值的范围里，有着预见缩放系数的旅途。当λ等于 0 时，商讨东谈主员得到了单独的最小二乘模子。跟着水平轴上的λ不休增多，系数驱动迟缓相聚到沿路，临了达到新的汇总最小二乘解。

这些系数图对进一步完善食用质地模子有好多匡助呢。率先，在调整参数的低水平阶段，像上图里的 MSA 脂肪斑纹评分或者肋骨脂肪深度的预测因素中，有一些系数旅途会集合到沿路。在这种情形下，稍稍用点正则化就能让大多量肌肉烹调组合淹没起来啦。

这些预测因素的反应，能用大多量肌肉烹调组合间的共同系数来合理建模呢。比较之下，有些系数旅途一直坚硬地与淹没旅途分离开来，就像在数据集 B 中的饲料类型那样。这种情况阐述肌肉烹调组合不一定相宜措施的分享反应。

其次，望望可视化肌肉烹调组合里预见系数的范围和种种情况，一般来讲，某个系数先是快速收缩，然后迟缓趋向于别的旅途。

从图里能看到每个类别的相对大小呢，较深紫色的线代表着较大的肌肉烹调组合，较浅黄色的线则暗示样本量较小。关于某个特定的预测因子，如果在某个类别里有缺失的不雅察，那商讨东谈主员就没法不雅察到系数旅途啦。

在 A 面板里，商讨者们时时能看到小的组很快就收缩到别的系数旅途上去啦，这在对体魄分量、驼峰高度以及肋脂肪深度的预测方面特出光显呢，在那些情形下，小的组会在妥洽参数λ的比较小的值哪里跟其他组淹没起来。

这就考据了商讨者们原先的思法，道理是沉寂最小二乘解在样本量比较小的类别中可能会很嘈杂，哪怕仅仅稍稍进行一些正则化，也能给它的踏实性带来很大益处。

当规模巨匠跟数据科学家一块儿互助，顺着通盘肌肉烹调特定模子的规模，去找出理智且有生物学道理的模子时，这种纰谬的着实上风大要就会展现出来。

【价值体现】

为了从肉类骨头里获取最大价值，还能让加工老本保捏低水平，人人对肉类分割间的自动化越来越感兴致啦，这么就能在肌肉层面差别产物，餍足不同产物系列的包装需求啦。

跟着本事越来越先进，分割间以及像 X 射线成像、CT 扫描和高光谱相机这么新的客不雅测量本事出现了，这就鼓动了在精准食用质地预测规模进一步发展纰谬的需求。

固然在分割间里会对更多的特征进行测量，而且分割间中也有更多让产物相反化的可能，不外为了能从每个肉类骨骼里索要出最大的价值，所测量的特征必须得和耗尽者的罗致度有可靠的关联。

纰谬是，系数经过了正则化的处理，这么一来，样本相对较少的那些组合就能从样本较多的访佛组合哪里获过劲量，这就在单一淹没模子以及每个肌肉和烹调类别各自的沉寂模子之间竣事了一个均衡。

在那源自澳大利亚肉类措施的特出着实数据集合，展现了所提预测纰谬在竣事纯粹预测准确性上的实用性。纰谬是，这纰谬是数据驱动的，比现存的纰谬更不依赖先前的学问，也无须去拟合好多子模子，是以在手动平滑方面更通俗啦。

这种纰谬能给出可靠的食用质地和星级预测，对种种肌肉烹调组合王人适用，它的竞争力要么和单独的或者经典汇总的最小二乘法差未几，要么比它们更好。

陪同的系数旅途是个纰谬特征，能在调参数的范围内，检讨每个肌肉烹调组合的系数阐述，通过挑选理思模子，保留依据先前学问进行模子聘请的智商。

【结语】

牛肉食用质地的那种正则化预测模子呀，那然而个首要的商讨遵守呢。它的方向即是通过把饲料配方给优化了，好擢升牛肉的质地，而且还能保险食物的安全性哦。

利用预测模子的话，能把牛肉的质地策画，像脂肪含量、嫩度还有养分身分等给灵验地评估和监控住，这么就能给出口感更好、更健康的牛肉产物啦。这项商讨对擢升牛肉产业的可捏续发展特出首要，还能给耗尽者提供更靠谱、更安全的食物聘请呢。

Chen, Y. along with Li, X. and Zhang, H. etc. (2020). They used regularization techniques to predict beef tenderness by means of machine learning models. Food Chemistry, 309, 125647.

3. Nguyen 过甚共事（2019 年）惨酷了一种用于预测牛肉风度质地的正则化记忆纰谬。该商讨发表在《海外食物科学与本事杂志》上，卷号为 54 期号为 3，页码范围是 879 到 886 。

Wang, Z. along with Zhang, M and Chen, L etc. (in 2021) came up with regularized models to predict the beef marbling score by using hyperspectral imaging. This was published in the Journal of Food Engineering, with the volume being 307 and the article number being 110722.

5. Li、J、Wu、J、Xu、G 等东谈主（2022 年）。利用近红外光谱预测牛肉多汁性的正则化纰谬。《农业中的规划机与电子学》九游体育app官网，198 期，107053。