Page 69 - 《食品科学技术学报》2026年第1期

第 ࿗࿗ 卷第 ϟ 期জজজজজজ 朱佳祺等᧥ 融合机器学习的赤霞珠干红葡萄酒香气浓郁度关键化合物挖掘 ᤃ ጢ

马酮为赤霞珠干红葡萄酒中贡献花果香的关键萜烯 息 Џሕऐ૒ ᤥ኏è 可以轻松评估结果模型的可变重要性或
类化合物ᤥም᤬大马酮本身并非葡萄直接合成的终产 贡献水平ᖔ具有高度的灵活性ᖔ可以避免过拟合现象
物ᖔ而是 由葡萄浆果中的类 胡萝卜素作为前体 物 的发生ᤥ୩჆ᥘ 常不受小数据更改的影响ᖔ并且可以
质 ЏሕᎮ૒ 经成熟ܦ胁迫或酿造过程中的酶解或酸解反应 有效地泛化数据ᤥሕ 种算法的具体数据 如 图 ጢ 所
转化生成ᖔ其含量受产地的显著性影响ᤥ 温度ܦ光照 示ᤥሕ 个模型均具有较高的性能ᖔቴ 较高ᖔ训练集的
԰
及紫外线强度均可影响类胡萝卜素合成酶的表达ᖔ影 ቴ᤹୒ጛ 均低于测试集的 ቴ᤹୒ጛᖔ因此没有欠拟合或过
响类胡 萝卜素的合成ᖔ进而影响大马酮含量的高 拟合的迹象ᤥା۪ܦ኏è 和 ୩჆ᥘ 的测试集 ቴ 分别为
԰
低 Џሕ԰૒ ᤥ 智利ྉ԰ 号酒样ɯܦ澳大利亚ྉऐ 号酒样ɯ为地中 ԡ᥊ ऐᤃܦԡ᥊ ऐँ 和 ԡ᥊ ऐᎮᖔ ቴ᤹୒ጛ 分别为 ԰᥊ ᤃᤃܦ ԰᥊ ጢϟ 和
海气候ᖔ夏季昼夜温差大ܦ光照时间长ܦ紫外线强度较 ԰᥊ ԰ँᖔ᤹୒ጛ 分别为 Ꭾ᥊ ԡऐܦᤃ᥊ ሕԡܦ和 ጢ᥊ ԰࿗ᖔ᤹ዛጛ 分别为
高ᖔ可激活类胡萝卜素合成酶ᖔ促进前体积累ᤥ ϟ᥊ ऐᎮܦϟ᥊ ँϟ 和 ϟ᥊ ᤃँᤥ ኏è 泛化能力最强ᖔ预测值与实
ԣᤫ ᣤই 葡萄酒香气浓郁度的机器学习预测 际值相关性最高ᖔ误差适中ଫା۪ܦ኏è 和 ୩჆ᥘ 的训练
԰
模型以 ϟ࿗ 种酒样香气化合物含量作为输入值ᖔ 集 ቴ 分别为 ԡ᥊ ँᤃܦ ԡ᥊ ँϟ 和 ԡ᥊ ँऐᖔ ቴ᤹୒ጛ 分别为
感官得分作为输出值ᤥ 以 ቴ ܦቴ᤹୒ጛܦ᤹ዛጛ 和 ᤹୒ጛ ϟ᥊ ጢ԰ܦ԰᥊ ϟᤃ 和 ԡ᥊ ԰ऐᖔ᤹୒ጛ 分别为 ԰᥊ ሕϟܦ࿗᥊ ᤃᎮ 和 ԡ᥊ ԡऐᖔ
԰
用于综合评价模型准确度ᖔ分别用 ା۪ܦ኏è 和 ୩჆ᥘ ᤹ዛጛ 分别为 ϟ᥊ ጢँܦϟ᥊ ऐᤃ 和 ԡ᥊ ԰ऐᖔା۪ 和 ୩჆ᥘ 在训练
建立香 气化合物浓度与香 气浓郁度之间的 模型ᤥ 集表现远优于测试集ᖔ泛化能力较弱ᖔ኏è 训练与测
ା۪ 在 数据集中可以自动 提 取 特 征 发 现 重 要 信 试表现接近ᖔ模型可靠性最高ᤥ 综上所述ᖔ኏è 数据

图 ጢজ 基于不同算法的香气浓郁度预测结果及 ኏è 最佳预测因子
èᔽ੫঎ ጢজ ۪ʢᔀʛᔽዹᡷᔽᆍႿ ʢᔀ༁ࣼ᤟ᡷ༁ ᆍ஦ ᑕʢᆍቝᑕ ʢᔽዹၤႿᔀ༁༁ ᤦᑕ༁ᔀʛ ᆍႿ ʛᔽ஦஦ᔀʢᔀႿᡷ ᑕ᤟੫ᆍʢᔽᡷၤቝ༁ ᑕႿʛ ኏è᥋ᆍᡱᡷᔽቝᑕ᤟ ᡱʢᔀʛᔽዹᡷᔽ׹ᔀ ஦ᑕዹᡷᆍʢ༁