본 논문은 조리육의 티오바비투르산 반응물질(TBARS)을 신선도 지표로 사용하여 하이퍼스펙트럼과 반지도 학습을 결합해 예측하였다. 데이터셋에서 하이퍼스펙트럼 데이터는 X로, TBARS 함량 데이터는 y 값으로 표시된다. 동시에 전체 샘플 세트는 교정 세트, 검증 세트, 독립 테스트 세트로 분리된다. 교정 세트는 모델을 구축하여 검증 세트와 독립 테스트 세트를 예측하는 데 사용된다. 교정 세트에서 X와 y가 모두 있는 샘플은 라벨된 샘플이라 하고, X만 있고 y가 없는 샘플은 라벨 없는 샘플이라 한다. 검증 세트와 독립 테스트 세트의 각각의 샘플은 라벨된 샘플이다. 검증 세트는 교정 세트의 모델 매개변수 조정에만 사용되며 모델링 과정에는 참여하지 않는다. 독립 테스트 세트는 모델링에도 매개변수 조정에도 참여하지 않으며 모델 최종 결과 테스트에만 사용된다. 본문에 교정 세트 샘플 수는 233개이며, 라벨된 샘플은 48개, 라벨 없는 샘플은 185개이다. 검증 세트와 독립 테스트 세트 샘플 수는 각각 12개이다. 모델링 과정에서는 먼저 교정 세트 내 라벨된 샘플을 사용해 X와 y의 모델을 구축하고, 이 모델로 라벨 없는 샘플을 예측하여 그 y 값을 추정한다. 이때 교정 세트 내 모든 샘플은 라벨된 샘플이 된다. 마지막으로 교정 세트 내 모든 샘플을 기반으로 모델을 구축하고 예측에 활용한다. 두 모델의 매개변수는 다르며 모두 검증 세트를 통해 최적화된다. 결과는 서포트 벡터 머신 회귀(SVR)가 더 나은 모델링 성능을 보이며, SVR 알고리즘과 반지도 학습의 결합이 높은 예측 정확도를 얻을 수 있음을 보여준다. 라벨 없는 샘플 선택 시, 전체 라벨 없는 샘플 기반 방식에 비해 거리법 기반 선택 샘플이 더 낮은 예측 오차를 얻을 수 있다.

조리육;티오바비투르산 반응물질(TBARS);반지도 회귀;하이퍼스펙트럼;서포트 벡터 머신 회귀(SVR);가우스 과정 회귀(GPR)