# При исключении целых образцов оценки электронного носа для говядины оказались ниже

> Повторный анализ 12 кусков говядины в Foods разделял полные сенсорные записи при тестировании. Сводные признаки объяснили значительную часть различий между деревьями и нейросетями.

URL: https://foodradar.org/ru/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models
Язык: ru
Автор: FoodRadar Editorial
Опубликовано: 2026-10-19T06:00:10.000Z
Обновлено: 2026-10-25T01:38:37.766Z
Дата публикации источника: 2026-08-10
Категория: Технологии
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
Italiano: https://foodradar.org/it/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models

## Двенадцать кусков, отдельные тесты

Исследование Erkan Caner Ozkat, опубликованное в Foods 10 августа 2026 года, повторно проанализировало открытые данные электронного носа для оценки свежести говядины. Основной набор включает 12 кусков, записанных с помощью 11 каналов металлооксидных газовых датчиков. Каждый тест полностью исключал один кусок, а модели обучались на остальных; общее количество жизнеспособных микроорганизмов, TVC, определяло классы свежести, но не подавалось на вход моделей.

В этих тестах модель градиентного бустинга деревьев достигла точности 0,81 ± 0,10 и макро-F1 0,68 ± 0,15. Нейросеть для необработанных последовательностей получила макро-F1 0,50 ± 0,15. При оценке той же сети со случайным разделением данных макро-F1 вырос до 0,97. Отдельное сравнение с TVC на входе дало почти идеальную точность случайного леса; автор не устанавливает, что эти процедуры вызвали результат какой-либо конкретной прежней публикации.

## Признаки и сокращение числа каналов

Нейросеть с теми же сводными признаками окон, что и у дерева, достигла макро-F1 0,64 ± 0,17, без статистически значимого отличия от дерева в парном сравнении. Поднабор из пяти каналов, выбранный внутри обучающих разбиений, достиг макро-F1 0,64 против 0,68 у полного массива; это различие также не было значимым. Автор указывает, что физически сокращённый массив ещё предстоит изготовить и проверить.

Отдельные наборы кофе и ароматов проверяли роль более богатых сигналов профиля нагрева. В задаче кофе сеть, учитывающая положение в профиле, превзошла дерево; преимущество сменилось обратным при сокращении профиля до одного шага. В задаче ароматов с семью классами дерево осталось сильнее. Автор описывает эти данные как сравнения структуры сигнала, а не дополнительную проверку качества мяса.

## Референтные данные и пределы переноса

Десять из 12 кусков имеют частично одинаковый референтный ряд TVC. Поэтому автор различает проверку на 12 сенсорных записях и проверку на 12 независимых микробных траекториях. На отдельной записи говядины макро-F1 переноса составил 0,40 для дерева и 0,46 для нейросети. Автор сообщает, что стандартизация по устройствам улучшила сеть с использованием неразмеченных записей целевого набора.

Автор призывает к более широкой проверке между лабораториями, условиями хранения и более длительными периодами, отмечая, что записи продолжительностью 37 часов не позволяют охарактеризовать долгосрочный дрейф датчиков. Статья описывает TVC как показатель свежести, а не наличия патогенов или токсинов. Исследование поддержал Фонд развития Университета Реджепа Тайипа Эрдогана, грант 02026007008461; автор заявил об отсутствии конфликтов интересов.

## Источник и лицензия

Источник: 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 Автор. CC BY 4.0. FoodRadar подготовил, отредактировал и перевёл это резюме на русский язык.

## Источники и права на использование

- [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-ru). 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-ru-license).

Переведено и адаптировано FoodRadar.

[Редакционные принципы](https://foodradar.org/ru/editorial-policy)