ENSEMBLE AND HYBRID LEARNING FOR DIGITAL TWIN MILK CLASSIFICATION

Аңдатпа

Сүттің құрамы мен сапасындағы өзгерістер тұтынушылардың денсаулығына, өндіріс тиімділігіне және жеткізу тізбегінің қауіпсіздігіне тікелей әсер етеді. Сондықтан сүт сапасын жедел әрі сенімді бағалау ерекше маңызды. Соңғы жылдары азық-түлік өндірісінде цифрлық егіз (Digital Twin) технологияларын қолдануға қызығушылық артып келеді. Дегенмен, сүт сапасын тікелей жіктеуде классикалық, ансамбльдік және гибридті машиналық оқыту модельдерін салыстырмалы түрде зерттеген жұмыстар әлі де аз. Зерттеудің мақсаты – Digital Twin тұжырымдамасы аясында сүт сапасын жіктеуге арналған классикалық, ансамбльдік және гибридті машиналық оқыту модельдерінің тиімділігін бағалау және салыстыру. Зерттеуде Kaggle платформасындағы Milk Quality деректер жиынтығы (1059 үлгі, жеті физика-химиялық көрсеткіш) пайдаланылды. Алты классикалық алгоритм, үш ансамбльдік әдіс (Random Forest, XGBoost, LightGBM) және үш гибридті модель (RF+KNN, XGBoost+RF және Stacking) стратификацияланған оқыту/сынақ жиынтықтары мен бес еселік кросс-валидация арқылы бағаланды. Нәтижелер ансамбльдік және гибридті әдістердің дәстүрлі машиналық оқыту модельдерінен тұрақты түрде жоғары нәтиже көрсеткенін дәлелдеді. Stacking ансамблі Accuracy, Precision, Recall, F1-score және ROC-AUC көрсеткіштері бойынша 100,0% нәтижеге қол жеткізді. Жоғары тиімді модельдердің ішінде RF+KNN ең төменгі болжау кідірісін көрсетті (1000 үлгі үшін 1,50 мс). Қорытындысында, ансамбльдік және гибридті машиналық оқыту модельдері Digital Twin негізіндегі нақты уақыттағы сүт сапасын бақылау және интеллектуалды шешім қабылдау жүйелерін құру үшін тиімді тәсіл болып табылады