基于机器学习的肉鸡沙门氏菌污染风险敏感性分析

Sensitivity analysis of Salmonella pollution risk in broiler chickens based on machine learning

为探究机器学习方法在肉鸡宰后沙门氏菌污染率风险分析中的适用性,将基于分类算法的支持向量机、朴素贝叶斯、神经网络等模型运用到细菌污染率的风险预测中,结合随机森林算法对细菌污染风险进行敏感性分析。模型以日屠宰量、环境温度、环境湿度、宰前污染率、浸烫环节交叉污染、掏膛环节交叉污染、预冷水氯浓度为输入值,肉鸡宰后污染率为输出值。采用训练数据集拟合,验证数据集评估模型的预测效果。结果显示,训练后的支持向量机模型(AUC>0.7,ER=23.8%,RMSE=0.42)对肉鸡宰后沙门氏菌污染率的拟合效果较好。敏感性分析表明,环境温湿度、宰前污染率、掏膛环节的交叉污染及预冷水氯浓度是影响宰后污染率变化的重要因素。本研究可为微生物污染率风险预警提供重要信息。