KaydedilenlerDerginizi ekleyin

Dergiler / Kocatepe Veteriner Dergisi / 2026 / Cilt: 18 Sayı: 3

Süt Kalitesi Derecelendirmesi için Açıklanabilir Makine Öğrenimi Çerçevesi

Explainable Machine Learning Framework for Milk Quality Grading

Bekir Çetintav(BURDUR MEHMET AKİF ERSOY UNIVERSITY)0000-0001-7251-1211
Ahmet Yalçın(MEHMET AKIF ERSOY UNIVERSITY)0009-0001-6093-8282
Sayfa
227–235
Yayın Tarihi
2025-10-03
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Tahmin doğruluğu ile yorumlanabilirlik arasındaki boşluğu kapatan bu yaklaşım, yalnızca paydaşlar için güven ve kullanılabilirliği artırmakla kalmayıp, aynı zamanda AI destekli kalite kontrol sistemlerinin süt endüstrisine entegrasyonu için yeni bir perspektif sunmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, süt kalitesinin değerlendirilmesinde yüksek tahmin doğruluğunu şeffaflık ve kullanışlılık ile birleştiren açıklanabilir bir makine öğrenimi yaklaşımı sunmaktadır.
📊
Temel Bulgular & Veri:Yerel yorumlanabilirlik sonuçları ise, sunulan 2 örnek üzerinden, bireysel tahminlerin pratik faydasını göstererek depolama koşullarının optimize edilmesi veya kontaminasyon risklerinin ele alınması gibi hedefe yönelik müdahalelere olanak tanımaktadır.
💡
Sonuç & Katkı:Tahmin doğruluğu ile yorumlanabilirlik arasındaki boşluğu kapatan bu yaklaşım, yalnızca paydaşlar için güven ve kullanılabilirliği artırmakla kalmayıp, aynı zamanda AI destekli kalite kontrol sistemlerinin süt endüstrisine entegrasyonu için yeni bir perspektif sunmaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2 örnek
⚙️Değişkenler:Süt kalitesi · Makine öğrenimi · Açıklanabilir Yapay Zeka (XAI)

Özet

Bu çalışma, süt kalitesinin değerlendirilmesinde yüksek tahmin doğruluğunu şeffaflık ve kullanışlılık ile birleştiren açıklanabilir bir makine öğrenimi yaklaşımı sunmaktadır. Random Forest ve HistGradientBoost modellerinin yanı sıra Permutasyon Feature Importanee ve LIME gibi yorumlanabilirlik tekniklerini kullanan bu yaklaşım, güçlü bir sınıflandırma performansı sağlarken uygulanabilir içgörüler de sunmaktadır. Global yorumlanabilirlik sonuçları, pH ve Sıcaklık gibi kritik faktörleri belirleyerek gerçek zamanlı izleme ve mikrobiyal kontroldeki önemlerini vurgulamaktadır. Yerel yorumlanabilirlik sonuçları ise, sunulan 2 örnek üzerinden, bireysel tahminlerin pratik faydasını göstererek depolama koşullarının optimize edilmesi veya kontaminasyon risklerinin ele alınması gibi hedefe yönelik müdahalelere olanak tanımaktadır. Tahmin doğruluğu ile yorumlanabilirlik arasındaki boşluğu kapatan bu yaklaşım, yalnızca paydaşlar için güven ve kullanılabilirliği artırmakla kalmayıp, aynı zamanda AI destekli kalite kontrol sistemlerinin süt endüstrisine entegrasyonu için yeni bir perspektif sunmaktadır.

Abstract

This study introduces an explainable machine learning framework for milk quality grading, combining high predictive performance with transparency and practicality. Utilizing Random Forest and HistGradientBoost models, alongside interpretability techniques like Permutation Feature Importance and LIME, the framework achieves robust classification while providing actionable insights. Global explanations identify pH and Temperature as critical factors, highlighting their significance in real-time monitoring and microbial control. Local explanations, based on the two presented examples, demonstrate the practical utility of individual predictions, offering targeted interventions such as optimizing storage conditions or addressing contamination risks. By bridging the gap between predictive accuracy and interpretability, this framework not only enhances trust and usability for stakeholders but also establishes a new perspective for integrating AI-driven quality control systems into the dairy industry.

🔖

Bu Makaleye Atıf Yap

Çetintav, B., Yalçın, A. (2025). Süt Kalitesi Derecelendirmesi için Açıklanabilir Makine Öğrenimi Çerçevesi. Kocatepe Veteriner Dergisi, Cilt: 18 Sayı: 3, 227–235. https://ajindex.com/articles/1174261

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. Altmann, A., Toloşi, L., Sander, O., & Lengauer, T. (2010). Permutation importance: A corrected feature importance measure. Bioinformatics, 26(10), 1340-1347. https://doi.org/10.1093/bioinformatics/btq134
  2. Bhavsar, D., Jobanputra, Y., & Swain, N. K. (2023). Milk quality prediction using machine learning. EAI Endorsed Transactions on Internet of Things. https://doi.org/10.4108/eetiot.4501
  3. Bovo, M., Agrusti, M., Benni, S., Torreggiani, D., & Tassinari, P. (2021). Random forest modelling of milk yield of dairy cows under heat stress conditions. Animals, 11(5), 1305. https://doi.org/10.3390/ani11051305
  4. Buyuktepe, O., Catal, C., Kar, G., Bouzembrak, Y., Marvin, H., & Gavai, A. (2023). Food fraud detection using explainable artificial intelligence. Expert Systems. https://doi.org/10.1111/exsy.13387
  5. Dang, M., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelligence: A comprehensive review. Artificial Intelligence Review, 55, 3503–3568. https://doi.org/10.1007/s10462-021-10088-y
  6. Ebrahimi, M., Mohammadi-Dehcheshmeh, M., Ebrahimie, E., & Petrovski, K. R. (2019). Comprehensive analysis of machine learning models for prediction of sub-clinical mastitis: Deep Learning and Gradient-Boosted Trees outperform other models. Computers in Biology and Medicine, 114, 103456. https://doi.org/10.1016/j.compbiomed.2019.103456
  7. Frizzarin, M., Gormley, I. C., Berry, D. P., & Murphy, T. B. (2021). Predicting cow milk quality traits from routinely available milk spectra using statistical machine learning methods. Journal of Dairy Science, 104(7), 7438–7447. https://doi.org/10.3168/jds.2020-19576
  8. GNV, P. (2020). Milk Grading (Classification) (Version 1) [Dataset; Kaggle]. Kaggle. https://www.kaggle.com/datasets/prudhvignv/milk-grading/data
  9. Islam, M. R., Ahmed, M. U., Barua, S., & Begum, S. (2022). A systematic review of explainable artificial intelligence in terms of different application domains and tasks. Applied Sciences, 12(1353). https://doi.org/10.3390/app12031353
  10. Mammadova, N., & Keskin, İ. (2013). Application of the support vector machine to predict subclinical mastitis in dairy cattle. The Scientific World Journal, 2013(1), 603897. https://doi.org/10.1155/2013/603897
  11. Mota, L. F., Giannuzzi, D., Bisutti, V., Pegolo, S., Trevisi, E., Schiavon, S.,. & Cecchinato, A. (2022). Real-time milk analysis integrated with stacking ensemble learning as a tool for the daily prediction of cheese-making traits in Holstein cattle. Journal of Dairy Science, 105(5), 4237-4255. https://doi.org/10.3168/jds.2021-21426
  12. Mu, F., Gu, Y., Zhang, J., & Zhang, L. (2020). Milk source identification and milk quality estimation using an electronic nose and machine learning techniques. Sensors, 20(15), 4238. https://doi.org/10.3390/s20154238
  13. Neware, S. (2023). Cow Milk Quality Grading using Machine Learning Methods. International Journal of Next-Generation Computing, 14(1).
  14. Polat, O., Akçok, S. G., & Akbay, M. A. (2021). Classification of raw cow milk using information fusion framework. Journal of Food Measurement and Characterization, 15, 5113–5130. https://doi.org/10.1007/s11694-021-01076-5
  15. Przybył, K. (2024). Explainable AI: Machine learning interpretation in blackcurrant powders. Sensors, 24(3198). https://doi.org/10.3390/s24103198
  16. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. https://doi.org/10.1145/2939672.2939778
  17. Samad, A., Taze, S., & Ucar, M. (2024). Enhancing milk quality detection with machine learning: A comparative analysis of KNN and distance-weighted KNN algorithms. International Journal of Innovative Science and Research Technology, 9(3). https://doi.org/10.38124/ijisrt/IJISRT24MAR2123
  18. Satoła, A., & Satoła, K. (2024). Performance comparison of machine learning models used for predicting subclinical mastitis in dairy cows: Bagging, boosting, stacking, and super-learner ensembles versus single machine learning models. Journal of Dairy Science, 107(6), 3959-3972. https://doi.org/10.3168/jds.2023-24243
  19. Sheng, T., Shi, S., Zhu, Y., Chen, D., & Liu, S. (2022). Analysis of protein and fat in milk using multiwavelength gradient-boosted regression tree. IEEE Transactions on Instrumentation and Measurement, 71, 2507810. https://doi.org/10.1109/TIM.2022.3165298
  20. Vishnu, K., & Kumar, S. P. (2024). Enhancing the quality of milk prediction using random forest algorithm and logistic regression algorithm. AIP Conference Proceedings, 3193(1). https://doi.org/10.1063/5.0238130
  21. Mota, L. F., Giannuzzi, D., Bisutti, V., Pegolo, S., Trevisi, E., Schiavon, S.,. & Cecchinato, A. (2022). Real-time milk analysis integrated with stacking ensemble learning as a tool for the daily prediction of cheese-making traits in Holstein cattle. Journal of Dairy Science, 105(5), 4237-4255. https://doi.org/10.3168/jds.2021-21426