基于LOF-KNN-CSENN混合采样与Stacking集成学习的食品安全抽检分类模型研究及其在风险预警中的应用

《Journal of Food Protection》：Hybrid Sampling and Ensemble Learning for Food Safety Sampling Inspection Classification

针对食品抽检数据极端类别不平衡导致的模型偏差问题，本研究提出LOF-KNN-CSENN混合采样算法，结合Local Outlier Factor噪声过滤与KNN边界保留技术，有效抑制低质量合成样本生成。通过Stacking集成学习框架融合六种树模型，在真实数据集上实现精度提升0.4–5.6%、F1-score提升0.8–30.7%，SHAP分析揭示生产地址、采样阶段为关键风险因子，为智能监管提供新范式。

　　

在全球供应链日益复杂的背景下，食品安全监管正面临前所未有的挑战。传统人工检测方式存在周期长、成本高、误差率高等瓶颈，而机器学习技术虽能提升检测效率，却受限于食品抽检数据中极端类别不平衡的难题——合格样本占比高达97.27%，不合格样本仅占2.73%（2023年国家市场监督管理总局数据）。这种不平衡会导致模型偏向多数类，造成不合格样本的检测盲区。更棘手的是，食品检测数据具有非线性特征、复杂分布和多类别场景等特点，传统过采样方法如SMOTE（Synthetic Minority Over-sampling Technique）容易生成低质量合成样本和噪声决策边界，进一步影响风险检测准确性。

针对这些挑战，江南大学商学院的研究团队在《Journal of Food Protection》上发表了一项创新研究，提出了一种结合混合采样与集成学习的智能检测框架。该研究基于宁波市市场监督管理局2021年的食品抽检数据（包含10,197个有效样本），通过LOF-KNN-CSENN（Local Outlier Factor-K-Nearest Neighbors-Combined Synthetic Minority Over-sampling Technique and Edited Nearest Neighbors）算法优化数据分布，并采用Stacking集成学习模型提升分类性能，最终借助SHAP（Shapley Additive Explanations）可解释性分析识别关键风险因素，为精准监管提供数据驱动决策支持。

研究采用的关键技术方法包括：1）基于局部离群因子(LOF)的噪声过滤与K近邻(KNN)边界保留的混合采样算法；2）融合随机森林(RF)、XGBoost、CatBoost等六种树模型的Stacking集成学习框架；3）采用最大信息系数(MIC)进行特征选择，筛选出生产地址、采样阶段等9个关键特征；4）通过SHAP博弈论进行特征贡献度量化分析。所有实验均基于宁波地区2021年食品抽检真实数据集，包含食用农产品、餐饮食品、糕点等五大高风险类别。

研究结果主要体现于四个方面：

数据描述与特征选择

通过对27类食品的不合格率分析，发现食用农产品（15.8%）、餐饮食品（7.4%）、糕点（7.3%）等五类食品占不合格样本总量的60%，被确定为重点分析对象。特征重要性排名显示，生产地址（MIC=0.800）、采样阶段（0.665）和采样地点（0.622）是最关键的风险因子。

混合采样算法验证

与传统SMOTE、ADASYN等方法相比，LOF-KNN-CSENN在模拟数据集上有效避免了合成样本聚集于多数类区域的问题，保持了数据固有结构，生成更符合真实分布的合成样本。该算法通过LOF阈值(τ=1.5)过滤噪声，KNN置信度阈值(δ=0.7)保留高置信边界样本，实现了质量更高的数据平衡。

Stacking集成架构优化

通过逐步剔除策略比较不同基模型组合性能，发现meta4配置（包含RF、ET、HistGBM、LGBM、CatBoost和XGBoost六种模型，以逻辑回归(LR)为元模型）综合表现最优，准确率达0.8464，精确度0.6696，F1-score 0.6804，均显著高于单一模型。

性能对比与可解释性分析

与单一采样策略相比，LOF-KNN-CSENN结合Stacking的方案在精确度上提升0.4–5.6%，F1-score提升0.8–30.7%。SHAP分析进一步揭示：合同制造和自制食品（样本来源）的低值（蓝色点）与高风险相关；生产地址中的跨省生产风险显著高于本地生产；餐饮环节采样风险高于流通环节。这些发现与现有研究一致，表明小作坊卫生条件差和合同生产质量管控松散是重要风险来源。

研究结论表明，LOF-KNN-CSENN算法通过双重过滤机制有效解决了传统SMOTE在食品数据中产生的伪边界样本问题，而Stacking集成模型通过多模型互补优势显著提升了泛化能力。该研究不仅为极端不平衡数据分类提供了新技术路径，还通过可解释性分析揭示了多因素协同作用的风险机制，推动监管策略从孤立监管向供应链整体治理转变。提出的动态阈值调整机制（根据监管需求灵活设定分类阈值）可实现资源优化配置，为高风险食品类别（如食用农产品）和场景（如餐饮阶段）的靶向监管提供量化依据。

研究的局限性在于样本缺乏跨年度跨区域数据，未能覆盖风险等级分级和多源数据融合。未来可结合区块链溯源和物联网技术，构建时空动态风险模型，实现全流程风险模拟与智能预警。这项研究为食品安全智能监管提供了创新框架，通过混合采样和集成学习的协同创新，有效缓解了类别不平衡问题，增强了多类别食品检测中不合格样本的发现能力。