这模子不光能把饲料的配方给优化了，让牛肉的口感和品性提高上去，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】

靠近一直变的市集和浪掷者的需求，牛肉产业正在搞投资评级系统呢，观念是在通盘供应链里把价值提到最高。澳大利亚的肉类圭臬，也等于 MSA 系统，这是个以客户为中心的全面质料科罚系统，在海外上很卓绝，因为它能预测特定的烹调次第，还能折柳具体肌肉的质料品级。

当今撑握 MSA 系统的阿谁模子，得花好多功夫去测度呢，若是存在数据不服衡的情况，它的预测性能可能就没那么准啦，这就意味着有许多肌肉和烹调组合，它们的不雅察数据尽头少，或者跟厚味度相干的预测变量也很少能用上。

MSA 模子通过浪掷者小组测试，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浪掷者，况且每一个肌肉、烹调组合的样品都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料评分啦。浪掷者得凭证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鲜艳哦，像嫩度，从从不嫩到极端嫩；多汁度，从未几汁到极端多汁；口味喜好，从极不心爱到极心爱；总体喜好，从极不心爱到极心爱。

接着，询查东谈主员把这些测量落拓换算成 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对等分数整合起来而细观念。

这些属于酮体级别的预测因子呀，和居品在被食用之前瞻望会陈化的天数测度呢，把它们组合到一都，就手脚是每种烹调次第下肌肉级别食用质料预测的输入啦。

把模子汇集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，而且这些类别通俗比较小，还存在更多缺失值呢。

缺失块被界说为，若是在肌肉烹调组合中不雅察动物时出现缺失，那这种特征的整个动物就会被标为缺失值。这种形态的短处在于，针对这些肌肉烹调组合，如果东谈主们逐一为每个组合去测度模子，受影响变量的系数就没法细目了。

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裁撤，这么才能保证把整个的不雅测值都留住来呢。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迫切特征内部是存在缺失值的哦。

可能有东谈主会念念着把 RST、SC1 和 SC2 这三种烹调次第的整个肌肉烹调次第组合的信息，都合并到一个大数据蚁合，接着再期骗所冷漠的同一预测模子。

其实呀，若是把太多不同的类别都弄到一个模子里，那会通套索算法就不好从数据里把有真理的结构给索要出来啦，它通俗会得出那些合并后效果为零的落拓呢，尤其当内部有对滋味预测因素产生违犯影响的类别时。

不同类别的组合尽头容易受到偏差影响，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，这其实反应了试验宇宙的默契，像烤制这种烹调次第（即数据集 A 类）与慢煮这种烹调次第（即数据集 B 类）有着明显不同的响应特点。

【设置预测模子】

在 MSA 这个框架当中呢，东谈主们会期骗线性追忆模子，去对肌肉烹调特定组合的牛肉的食用质料进行预测呀，而线性模子呢，等于模拟那些依据 MSA 条约所作念实验得出来的食用质料数据的一种圭臬观念哦。

因为它具有肤浅性和可解说性，是以被采用了。用 y(m)i 来暗示响应变量，也等于样本 i 等于 1 到 nm 的食用质料测量，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 的统共 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罕有值呢。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联接呢，这个联接的基数是 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，要得回每个肌肉烹调组合的参数测度值，是分别运行 m 个孤立的最小二乘追忆。不外呢，还有一种能同一测度这 m 个追忆模子的观念，在测度进程中能让不同肌肉烹调组合之间分享信息。

其中呢，有好几种建模次第，能够在同一预测模子里，手脚会通拉索的替换遴荐，这被称作会通岭啦，它在孤立模子和合并模子之间给出了雷同的衡量，和会通套索比起来，筹办老本镌汰了许多呢。

能得到测度量的那种闭合神志的抒发式呢，就跟圭臬岭追忆似的，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透彻相同哦。

在多元追忆模子里，询查东谈主员借助会通以及拉索测度器来获取参数测度。两个数据集在通盘治愈参数值的范围里，有着测度缩放系数的旅途。当λ等于 0 时，询查东谈主员得到了单独的最小二乘模子。跟着水平轴上的λ不停加多，系数启动逐渐网罗到一都，终末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料模子有许多匡助呢。最初，在治愈参数的低水平阶段，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，有一些系数旅途会蚁合到一都。在这种情形下，略略用点正则化就能让大大批肌肉烹调组合合并起来啦。

这些预测因素的反应，能用大大批肌肉烹调组合间的共同系数来合理建模呢。比拟之下，有些系数旅途一直坚硬地与合并旅途分离开来，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稳健圭臬的分享反应。

其次，望望可视化肌肉烹调组合里测度系数的范围和种种情况，一般来讲，某个系数先是快速收缩，然后逐渐趋向于别的旅途。

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，若是在某个类别里有缺失的不雅察，那询查东谈主员就没法不雅察到系数旅途啦。

在 A 面板里，询查者们每每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尽头明显呢，在那些情形下，小的组会在篡改参数λ的比较小的值那处跟其他组合并起来。

这就考据了询查者们原先的念念法，酷好是孤立最小二乘解在样本量比较小的类别中可能会很嘈杂，哪怕仅仅略略进行一些正则化，也能给它的安定性带来很大益处。

当领域各人跟数据科学家一块儿合营，顺着通盘肌肉烹调特定模子的界限，去找出理智且有生物学真理的模子时，这种次第简直凿上风大意就会展现出来。

【价值体现】

为了从肉类骨头里获取最大价值，还能让加工老本保握低水平，大众对肉类分割间的自动化越来越感酷好啦，这么就能在肌肉层面折柳居品，知足不同居品系列的包装需求啦。

跟着时候越来越先进，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时候出现了，这就鼓动了在精准食用质料预测领域进一步发展次第的需求。

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居品相反化的可能，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浪掷者的接收度有可靠的关联。

要津是，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雷同组合那处获给力量，这就在单一合并模子以及每个肌肉和烹调类别各自的孤立模子之间完毕了一个均衡。

在那源自澳大利亚肉类圭臬的尽头确凿数据蚁合，展现了所提预测次第在完毕雅致预测准确性上的实用性。要津是，这次第是数据驱动的，比现存的次第更不依赖先前的常识，也无须去拟合许多子模子，是以在手动平滑方面更肤浅啦。

这种次第能给出可靠的食用质料和星级预测，对各式肌肉烹调组合都适用，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。

奉陪的系数旅途是个要津特征，能在调参数的范围内，搜检每个肌肉烹调组合的系数推崇，通过挑选理念念模子，保留依据先前常识进行模子遴荐的才气。

【结语】

牛肉食用质料的那种正则化预测模子呀，那然而个迫切的询查后果呢。它的标的等于通过把饲料配方给优化了，好提高牛肉的质料，况且还能保险食物的安全性哦。

利用预测模子的话，能把牛肉的质料规划，像脂肪含量、嫩度还有养分要素等给灵验地评估和监控住，这么就能给出口感更好、更健康的牛肉居品啦。这项询查对提高牛肉产业的可握续发展尽头迫切，还能给浪掷者提供更靠谱、更安全的食物遴荐呢。

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 过火共事（2019 年）冷漠了一种用于预测牛肉风姿质料的正则化追忆次第。该询查发表在《海外食物科学与时候杂志》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次第。《农业中的筹办机与电子学》，198 期，107053。