Food Chemistry：揭开食品风味的神秘面纱：通过机器学习解读风味数据

本研究提出了一种基于机器学习的食品风味数据解析框架，旨在解决食品风味分析中数据复杂、难以解释的问题。该框架整合了四种常用的机器学习技术：主成分分析（PCA）、冗余分析（RDA）、偏最小二乘法（PLS）和随机森林（RF）。通过案例研究验证了该框架的有效性，结果表明PCA适用于数据探索性分析，RDA可以量化影响因素的统计学意义，PLS和RF在特征重要性分析中表现出色。该框架的应用有助于食品科学家更全面地理解风味数据，指导食品生产过程的优化和风味质量的控制。尽管该框架在风味数据解析中表现出良好的效果，但仍存在一些局限性，如小样本数据集的过拟合问题。