基于数据挖掘的食品安全数据分析与应用.pdfVIP

StatisticsandApplication统计学与应用,2025,14(6),156-166

PublishedOnlineJune2025inHans./journal/sa

/10.12677/sa.2025.146155

基于数据挖掘的食品安全数据分析与应用

李志青

广西师范大学数学与统计学院，广西桂林

收稿日期：2025年5月25日；录用日期：2025年6月17日；发布日期：2025年6月30日

摘要

食品安全事关国家大计。近年来，相关法律法规不断出台，监管部门也在持续完善监管机制。然而，食

品安全依然是一个需要高度重视和严格把控的重要问题。本研究基于机器学习方法，构建了多种分类模

型，包括支持向量机(SVM)、随机森林(RF)、LightGBM和XGBoost，并对其性能进行了系统比较。结果

表明，随机森林模型表现最佳，其次为支持向量机和XGBoost，而LightGBM的性能相对较差。为了进一

步提升预测能力，研究进一步构建了Stacking融合模型，将随机森林、XGBoost和支持向量机的预测结

果进行集成，并采用随机森林作为元学习器。实验结果显示，Stacking模型显著提高了整体预测性能。

本研究结果为食品安全监管提供了重要参考，验证了数据挖掘技术在食品安全领域的有效性。相关技术

可辅助监管部门实现食品安全问题的及时预测与处理，从而提升监管工作的效率与准确性。

关键词

食品安全，机器学习，Stacking融合模型

DataMining-BasedFoodSafetyData

AnalysisandApplication

ZhiqingLi

SchoolofMathematicsandStatistics,GuangxiNormalUniversity,GuilinGuangxi

Received:May25th,2025;accepted:Jun.17th,2025;published:Jun.30th,2025

Abstract

Foodsafetyisamatterofnationalimportance.Inrecentyears,relevantlawsandregulationshave

beencontinuouslyintroduced,andregulatoryauthoritieshavebeenconstantlyimprovingthereg-

ulatorymechanisms.However,foodsafetyremainsacriticalissuethatrequireshighattentionand

strictcontrol.Thisstudy,basedonmachinelearningmethods,constructedvariousclassification

models,includingSupportVectorMachine(SVM),RandomForest(RF),LightGBM,andXGBoost,and

文章引用:李志青.基于数据挖掘的食品安全数据分析与应用[J].统计学与应用,2025,14(6):156-166.

DOI:10.12677/sa.2025.146155

李志青

systematicallycomparedtheirperformance.TheresultsshowedthattheRandomForestmodelper-

formedthebest,followedbySupportVectorMachineandXGBoost,whileLightGBMhadrelatively

poorerperformance.Tofurtherenhancet