ENSEMBLE AND HYBRID LEARNING FOR DIGITAL TWIN MILK CLASSIFICATION

Аннотация

Изменения состава и качества молока оказывают влияние на безопасность продукции, эффективность производства и здоровье потребителей, что делает актуальной разработку интеллектуальных методов оценки качества. Целью исследования являлось сравнение классических, ансамблевых и гибридных моделей машинного обучения для классификации качества молока в рамках концепции Digital Twin. В работе использован набор данных Milk Quality (Kaggle), содержащий 1059 образцов и семь физико-химических признаков. Были исследованы шесть классических алгоритмов, три ансамблевых метода (Random Forest, XGBoost, LightGBM) и три гибридные модели (RF+KNN, XGBoost+RF и Stacking) с применением стратифицированного разделения выборки и пятикратной кросс-валидации. Результаты показали преимущество ансамблевых и гибридных моделей над традиционными алгоритмами. Наилучшие показатели продемонстрировал ансамбль Stacking (100,0% Accuracy, Precision, Recall, F1-score и ROC-AUC), тогда как RF+KNN обеспечила минимальную задержку прогнозирования (1,50 мс на 1000 образцов). Полученные результаты подтверждают перспективность использования ансамблевых и гибридных моделей в системах мониторинга качества молока на основе Digital Twin и интеллектуальной поддержки принятия решений.