évaluation sensorielle
Évaluation sensorielle de tomates fraîches
Cette étude, choisie pour l’interprétabilité aisée de ses résultats (espace de décision à 2 dimensions), permet de montrer l’explicabilité de la structure des modèles xtractis découverts. xtractis réussit à prédire le profil sensoriel des tomates (sucrée, acide, ferme, juteuse, pulpeuse, farineuse, moelleuse…) à partir de variables instrumentales et met même en évidence une loi “cachée” de perception du goût sucré de la tomate.
Ces modèles pourraient servir d’experts sensoriels virtuels pour l’évaluation automatique et répétable des tomates par le producteur en vue d’un contrôle qualité. Les autres modèles du projet, prédisant la préférence consommateurs, seraient utiles pour la mise au point par le service R&D d’une nouvelle variété de tomate appréciée par le segment ciblé de consommateurs.
Résultats par xtractis® Generate 9.1.16325 - upd 1607
TYPE DE MODÉLISATION
Modèle de Régression. Exemple de la perception du goût sucré.
DONNÉES D'APPRENTISSAGE
Les données sont issues de mesures physico-chimiques sur des tomates fraîches.
Dimension des données : 17 variétés de tomates, chacune caractérisée par 15 descripteurs physico-chimiques.
Variable à prédire : évaluation sensorielle du goût sucré de la tomate par un panel de 14 experts. Évaluation quantifiée par une note de 0 à 10. 2 sessions d’évaluation par variété de tomates.
Données : INRA (Institut National de la Recherche Agronomique) et CTIFL (Centre Technique Interprofessionnel des Fruits et Légumes) – 7th Sensometrics Conf., July 2004, Davis, CA, USA
SOLUTION XTRACTIS
xtractis explore 1 000 stratégies différentes d’apprentissage inductif et sélectionne le modèle le plus robuste sur la base de validation. Cet Expert Virtuel Individuel (EVI) évaluera automatiquement la perception sucrée d’une nouvelle tomate.
Cet EVI est défini par une collection de 4 règles floues faisant appel aux 2 variables prédictives “Total Acidity” et “Sum of Sugars”, sélectionnées par xtractis parmi les 15 variables disponibles, et qui lui permettent d’expliquer le processus d’évaluation du goût sucré de la tomate.
Chaque variable prédictive est qualifiée par des classes floues : xtractis qualifie le prédicteur “Total Acidity” par 2 classes floues et le prédicteur “Sum of Sugars” par 4 classes floues.
xtractis livre l’ensemble des règles qui forment le modèle. Chaque règle linguistique “SI…ALORS” est présentée dans un tableau mettant en relation les variables explicatives et la variable à prédire :
La surface de décision du modèle correspond à l’interpolation des 4 règles floues. La surface de mapping montre les 4 zones floues de contrôle des règles de décision.
CRITÈRES DE PERFORMANCE
Compte tenu du très faible nombre de points d’apprentissage, la robustesse ou capacité prédictive du modèle est estimée par validation croisée Leave-one-out (LOO) : 17 partitionnements distincts sont générés en mettant de côté à chaque fois un point pour la validation. Les 16 points restants sont utilisés pour créer le modèle et évaluer sa précision ou capacité descriptive. Le point de validation est utilisé pour évaluer la robustesse ou capacité prédictive du modèle.
Les métriques de performance sont :
- la Corrélation valeur réelle / valeur prédite
- la MAE (Mean Absolute Error) : la moyenne des valeurs absolues d’erreur
- la RMSE (Root Mean Square Error) : l’erreur quadratique moyenne
résultats
Les performances du modèle évaluées sur ces critères sont reportées ci-dessous :
COMPRENDRE LES RÉSULTATS
La surface de décision du modèle montre que l’évaluation sensorielle est non-linéaire, bien que le processus est simple.
La robustesse du modèle est assez bonne. La perception sucrée d’une seule variété de tomates est sous-évaluée par le modèle, ce qui diminue fortement la valeur de la corrélation. Le point rouge signifie que cette tomate (variété A) se situait sur l’une des frontières de l’espace de décision Total Acidity x Sum of Sugars, tout en apportant une information importante pour la modélisation : le fait de la mettre de côté pour l’évaluation de la robustesse ne permet pas à xtractis de construire un modèle robuste. Un meilleur modèle pourrait être découvert à partir d’une base de données contenant plus de variétés de tomates, en particulier proches de la variété A.
xtractis a ainsi réussi à expliciter des connaissances tacites qui ne pouvaient être explicitées par les experts humains : le jugement sensoriel est intuitif et réalisé de manière inconsciente. En particulier, xtractis met en évidence le fait que la présence importante d’acide dupe le cerveau dans la détection du sucré (Règle n°3).
Utilisation en Prédiction
Cas de la Tomate X
Lorsqu’une nouvelle tomate est présentée, le système prédictif permet de quantifier son goût sucré seulement à partir de ses mesures physico-chimiques.
Pour la tomate X (Total Acidity = 11.8 et Sum of Sugars = 31.9), le moteur d’inférence d’xtractis conclut à un goût sucré du niveau 4.75… et on sait comment et pourquoi !
