茯苓组织分类器

五模型AUC超0.9

基于机器学习的多模型集成方法，显著提升茯苓四种组织的分类精度，优于传统单变量判别分析。

Shih-Yi, Hsiung · Shun-Xin, Deng · Li, Jing · Sheng-Yao, Huang · Liaw, Chenkun · Huang, Su-Yun · Ching-Chiung, Wang · Hsieh, Yves S. Y.

Carbohydrate Polymers 2023

参数信息

AUC (四组织分类)

0.9

AUC (四组织分类)

0.8

AUC (三组织分类)

0.8

技术优势

多模型集成

采用8种不同算法构建分类模型，集成多种学习策略，减少单一模型偏差。

适用大样本

对于大样本量，机器学习方法比传统回归技术表现更好，可提高茯苓组织样本鉴定的准确性。

应用场景

• 中药材质量控制：直接对茯苓不同组织进行分类，避免混淆，提升药材质量一致性。
• 微生物发酵监控：该方法可扩展用于监测发酵过程中微生物产生的多糖组成变化。
• 生物质分析：基于单糖组成的机器学习分类可快速鉴别生物质样品，无需复杂预处理。