01CT
纯甜
Pure sweet
- 验证样本
- 609
- 召回率
- 97.37%
- 精确率
- 89.85%
浏览器端近红外光谱分析
让每一条真实光谱，都得到可追溯的判断。
直接读取 Nicolet / OMNIC .spa 文件的真实光谱区段，在本地完成 CT 纯甜、JD 窖底、JX 酱香三分类。文件不会离开你的设备。
本地计算光谱文件不上传服务器
修正版模型已就绪778 特征 · 300 棵树 · 3 类
LIVE WORKBENCH
光谱分析工作台
支持单个或批量 OMNIC .spa 文件，最多 50 个。
模型状态正在载入模型
01解析方式OMNIC 区段 0x03
02数据路径仅在当前设备内存处理
拖放 .spa 文件到这里
或点击选择文件。只读取真实光谱区段 0x03。
INPUT / 03输入要求
- Nicolet / OMNIC 原始 .spa 文件
- 波数覆盖至少 9997 至 4003 cm-1
- 同一批次建议使用一致仪器参数
等待光谱
上传后将在这里显示类别、置信度和真实吸光度曲线。
分类标签体系
模型输出首先回答：样本属于哪一类。
CT、JD、JX 是本模型的三个互斥输出标签。下列验证指标来自五折交叉验证汇总混淆矩阵。
02JD
窖底
Pit bottom
- 验证样本
- 442
- 召回率
- 90.05%
- 精确率
- 90.66%
03JX
酱香
Sauce aroma
- 验证样本
- 474
- 召回率
- 84.39%
- 精确率
- 93.90%
方法与验证
模型依据采用可复现的光谱预处理与五折交叉验证。
浏览器严格复现修正版 Python 流程，以真实 OMNIC 光谱区段 0x03 为输入。旧版错误字节偏移解析不进入本模型或网页推理。
CV / 05验证口径
报告值为五折指标的均值 ± 标准差；Precision、Recall 和 F1 采用宏平均，使三个类别在指标中具有相同权重。
| 评价指标 | 均值 | 标准差 | 统计口径 |
|---|---|---|---|
| Accuracy | 0.9187 | 0.0089 | 总体 |
| Macro F1 | 0.9159 | 0.0086 | 宏平均 |
| Macro Precision | 0.9230 | 0.0079 | 宏平均 |
| Macro Recall | 0.9128 | 0.0090 | 宏平均 |
01读取区段 0x03
02线性插值
03SG 平滑 + SNV
04StandardScaler
05XGBoost
MODEL / SPEC
模型规格
01OMNIC 区段 0x03 · 778 点
029997.17 至 4003.50 cm-1
03SG 窗口 11 · 多项式 2 · 导数 0 · SNV
04100 boosting rounds · 300 class trees
05学习率 0.1 · 最大深度 6
MODEL AUDIT / 01
五折交叉验证的汇总混淆矩阵
三类共 1,525 个验证样本。行表示真实标签，列表示预测标签；对角线为正确分类数。汇总矩阵准确率为 91.21%，与五折均值 91.87% 的统计口径不同。
类别说明CT 纯甜JD 窖底JX 酱香
FEATURE IMPORTANCE
模型重点波数
以下位置来自 XGBoost 特征重要性排序，用于解释模型关注区域，不等同于单一化学归属。
7953cm-1
8001cm-1
7513cm-1
8023cm-1
8189cm-1
8723cm-1
90007000证据来源：项目内三模型比较结果、修正版模型包与 XGBoost 五折混淆矩阵。
02
适用边界
这是科研辅助工具，不是质量裁决。
结果仅反映当前训练数据、仪器条件与预处理流程下的模型判断。跨仪器、跨批次或超出波数覆盖范围的数据，应先完成独立验证与校准转移。