# Il confronto sui nasi elettronici per il manzo ha rilevato punteggi inferiori riservando campioni interi

> Un’analisi ripetuta di 12 pezzi di carne pubblicata su Foods ha separato acquisizioni complete durante i test. Le sintesi delle caratteristiche hanno spiegato gran parte della differenza tra alberi e reti neurali.

URL: https://foodradar.org/it/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Lingua: it
Autore: FoodRadar Editorial
Pubblicato: 2026-10-19T06:00:10.000Z
Aggiornato: 2026-10-25T01:38:37.766Z
Data di pubblicazione della fonte: 2026-08-10
Categoria: Tecnologia
English: https://foodradar.org/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Türkçe: https://foodradar.org/tr/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Español: https://foodradar.org/es/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Deutsch: https://foodradar.org/de/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Русский: https://foodradar.org/ru/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models

## Dodici pezzi provati separatamente

Uno studio di Erkan Caner Ozkat, pubblicato su Foods il 10 agosto 2026, ha rianalizzato dati pubblici di nasi elettronici sulla freschezza del manzo. L’insieme principale contiene 12 pezzi registrati con 11 canali di sensori di gas a ossido metallico. Ogni prova riservava un pezzo completo e addestrava i modelli sugli altri; la conta totale dei microrganismi vitali, TVC, definiva le classi di freschezza ma era esclusa dagli ingressi del modello.

In queste prove, la pipeline di alberi con boosting del gradiente ha ottenuto accuratezza 0,81 ± 0,10 e macro-F1 0,68 ± 0,15. La rete neurale sulle sequenze grezze ha raggiunto macro-F1 0,50 ± 0,15. Valutando la stessa rete con suddivisioni casuali, il macro-F1 è salito a 0,97. Un confronto separato con TVC come ingresso ha prodotto un’accuratezza quasi perfetta della foresta casuale; l’autore non stabilisce che queste procedure abbiano causato il risultato di una specifica pubblicazione precedente.

## Caratteristiche e meno canali

Una rete neurale che riceveva le stesse sintesi delle finestre dell’albero ha raggiunto macro-F1 0,64 ± 0,17, senza differenza statisticamente significativa dall’albero nel confronto appaiato. Un sottoinsieme di cinque canali selezionato all’interno delle partizioni di addestramento ha raggiunto macro-F1 0,64, contro 0,68 dell’intera matrice; anche questa differenza non era significativa. L’autore afferma che una matrice fisicamente ridotta deve ancora essere costruita e validata.

Insiemi separati di caffè e aromi hanno esaminato il ruolo di segnali più ricchi ottenuti dai profili di riscaldamento. Nel compito sul caffè una rete sensibile alla posizione ha superato l’albero; il vantaggio si è invertito riducendo il profilo a un passo. Nel compito sugli aromi a sette classi, l’albero è rimasto superiore. L’autore descrive questi dati come confronti della struttura del segnale e non come ulteriore validazione della qualità della carne.

## Dati di riferimento e limiti di trasferimento

Dieci dei 12 pezzi condividono una serie di riferimento TVC parzialmente identica. L’autore distingue quindi la validazione su 12 acquisizioni di sensori dalla validazione su 12 traiettorie microbiche indipendenti. In un’acquisizione separata di manzo, il macro-F1 di trasferimento era 0,40 per l’albero e 0,46 per la rete neurale. L’autore riferisce che la standardizzazione per dispositivo ha migliorato la rete utilizzando registrazioni non etichettate dell’acquisizione di destinazione.

L’autore chiede una validazione più ampia tra laboratori, condizioni di conservazione e periodi più lunghi, osservando che acquisizioni di 37 ore non possono caratterizzare la deriva dei sensori a lungo termine. Il lavoro descrive TVC come misura di freschezza e non della presenza di patogeni o tossine. Lo studio è stato sostenuto dalla Fondazione per lo sviluppo dell’Università Recep Tayyip Erdoğan, contributo 02026007008461; l’autore non ha dichiarato conflitti di interessi.

## Fonte e licenza

Fonte: Erkan Caner Ozkat. Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection. Foods (2026), 15, 2798. DOI: 10.3390/foods15162798. © 2026 L’autore. CC BY 4.0. FoodRadar ha preparato, curato e tradotto questo riassunto in italiano.

## Fonti e diritti d’uso

- [Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection](https://doi.org/10.3390/foods15162798?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models-it). Foods. Erkan Caner Ozkat (2026). Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection. Foods 15(16), 2798. DOI: 10.3390/foods15162798. © 2026 by the author. CC BY 4.0. Adapted, edited and translated by FoodRadar. [CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models-it-license).

Tradotto e adattato da FoodRadar.

[Principi editoriali](https://foodradar.org/it/editorial-policy)