中階課：用電子鼻預測品質指標

不只判斷好壞，而是預測「品質數值」

分類模型回答的是「這個樣本屬於哪一類？」回歸模型回答的是「這個樣本的品質指標是多少？」在食品分析中，回歸通常更接近實務決策，因為它能提供連續尺度的風險或品質程度。

主範例：用牛肉 e-nose 資料預測 TVC

沿用入門課的牛肉新鮮度資料集，但這次不把 class 當目標，而是用 TVC 作為連續目標值。TVC 是 total viable count，代表微生物總生菌數，是肉品腐敗與食品安全的重要參考。

可延伸資料集

Cocoa butter FFAPork percentageWine spoilage threshold

同樣的回歸流程也可套用到可可脂 FFA 預測、牛/豬混合比例預測，或葡萄酒酸敗程度預測。差別只在於 y 換成不同的品質指標。

回歸模型最怕把「時間」誤當成「氣味」

如果資料依儲存時間排列，TVC 通常也會隨時間上升。這時候如果把 minute 放進模型，模型可能只是在學時間，而不是從氣味指紋預測品質。

PLS regression：化學計量學最常用的品質預測工具

PLS（Partial Least Squares）會尋找一組 latent variables，讓 X 的變化能最大程度解釋 y。它特別適合感測器、光譜、質譜這類變數彼此高度相關的資料。

用 R²、RMSECV、RMSEP 判斷模型是否真的可用

回歸模型不能只看圖漂亮。你需要用交叉驗證和獨立測試集量化誤差，並確認模型在高品質與低品質區間都沒有明顯偏差。

PLS、SVR、Random Forest regression 的最小完整流程

1. 讀取資料並定義 X、y

import zipfile, requests
from pathlib import Path
import pandas as pd

DATA_DIR = Path("data")
DATA_DIR.mkdir(exist_ok=True)
url = "https://data.mendeley.com/public-api/zip/mwmhh766fc/download/2"
zip_path = DATA_DIR / "mendeley_beef_enose.zip"

if not zip_path.exists():
    r = requests.get(url, timeout=60)
    r.raise_for_status()
    zip_path.write_bytes(r.content)

with zipfile.ZipFile(zip_path) as z:
    z.extractall(DATA_DIR / "beef_raw")

csv_file = list((DATA_DIR / "beef_raw").rglob("*.csv"))[0]
df = pd.read_csv(csv_file)
print(df.shape)
print(df.columns.tolist())

# 依實際欄位微調：TVC 是本章的連續目標 y
exclude = {"TVC", "class", "minute", "time"}
feature_cols = [c for c in df.columns if c not in exclude]
X = df[feature_cols].apply(pd.to_numeric, errors="coerce")
y = pd.to_numeric(df["TVC"], errors="coerce")

mask = y.notna()
X = X.loc[mask].fillna(X.median(numeric_only=True))
y = y.loc[mask]
print(X.shape, y.describe())

2. 用交叉驗證選擇 PLS 的 LV 數

import numpy as np
from sklearn.model_selection import KFold, cross_val_predict
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.cross_decomposition import PLSRegression
from sklearn.metrics import mean_squared_error, r2_score

cv = KFold(n_splits=5, shuffle=True, random_state=42)
results = []

for n_lv in range(1, min(11, X.shape[1] + 1)):
    model = Pipeline([
        ("scaler", StandardScaler()),
        ("pls", PLSRegression(n_components=n_lv))
    ])
    y_cv = cross_val_predict(model, X, y, cv=cv).ravel()
    rmsecv = mean_squared_error(y, y_cv, squared=False)
    r2cv = r2_score(y, y_cv)
    results.append((n_lv, rmsecv, r2cv))

res = pd.DataFrame(results, columns=["LV", "RMSECV", "R2CV"])
print(res)
best_lv = int(res.loc[res.RMSECV.idxmin(), "LV"])
print("Best LV:", best_lv)

3. 外部測試集評估

from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.30, random_state=42
)

pls = Pipeline([
    ("scaler", StandardScaler()),
    ("pls", PLSRegression(n_components=best_lv))
])
pls.fit(X_train, y_train)
y_pred = pls.predict(X_test).ravel()

rmsep = mean_squared_error(y_test, y_pred, squared=False)
r2p = r2_score(y_test, y_pred)
print(f"RMSEP = {rmsep:.3f}")
print(f"R2 test = {r2p:.3f}")

plt.figure(figsize=(5.5,5.5))
plt.scatter(y_test, y_pred, alpha=0.8)
lo = min(y_test.min(), y_pred.min())
hi = max(y_test.max(), y_pred.max())
plt.plot([lo, hi], [lo, hi], "--", color="gray")
plt.xlabel("Measured TVC")
plt.ylabel("Predicted TVC")
plt.title("PLS regression: measured vs predicted")
plt.tight_layout()
plt.show()

4. 與非線性模型比較

from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor

models = {
    "PLS": Pipeline([("scaler", StandardScaler()), ("pls", PLSRegression(n_components=best_lv))]),
    "SVR-RBF": Pipeline([("scaler", StandardScaler()), ("svr", SVR(C=10, gamma="scale"))]),
    "Random Forest": RandomForestRegressor(n_estimators=300, random_state=42)
}

for name, model in models.items():
    model.fit(X_train, y_train)
    pred = np.asarray(model.predict(X_test)).ravel()
    print(name, "RMSEP", mean_squared_error(y_test, pred, squared=False), "R2", r2_score(y_test, pred))

用 Orange 建立品質指標預測流程

Orange 可以做 regression。重點是在 Select Columns 中把 TVC 設成 Target，而不是把 class 設成 Target。

File
  → Select Columns
      Features: MQ sensor responses, humidity, temperature
      Target: TVC
      Meta: class, minute
  → Preprocess
      Impute / Standardize
  → Test and Score
       ← Linear Regression
       ← Random Forest
       ← Support Vector Regression
       ← PLS Regression（若已安裝相關 add-on；否則用 Python 做）
  → Predictions
  → Scatter Plot
      x = measured TVC, y = predicted TVC
  → Data Table

完成本章後，你應該能回答這些問題