Development of KabuTeach: a character-based decision support system for mushroom classification

方法

UCI蘑菇数据集，分类朴素贝叶斯加Laplace平滑，MVC架构与短信推送。

发现

模型准确率达99.63%，可用性测试获认可，但数据集地域局限明显。

机会点

可构建本地化、专家标注的蘑菇图像数据集，并融合图像识别提升野外实用性。

蘑菇误认始终是农村社区持续存在的公共卫生风险，在全球范围内造成中毒和死亡。本研究提出KabuTeach，一个基于网络的决策支持系统（DSS），用于将蘑菇分类为可食用或有毒。该系统使用分类朴素贝叶斯算法并结合拉普拉斯平滑（α=1.0），通过Rubix ML框架，在UCI蘑菇数据集（8，124个实例，22个分类形态属性）上进行训练。系统采用混合交互结构和事件驱动架构，结合模型—视图—控制器模式，实现实时分类、人在回路的专家验证以及面向低连接农村环境的基于短信的结果推送。采用70：30留出法进行模型评估，准确率达到99.63%；5折交叉验证的平均准确率为99.66%（±0.1118%）。包括混淆矩阵、各折结果及标准差、精确率、召回率、F1分数和特异性在内的性能指标证实了模型的稳健性，这归因于数据集干净且具有判别性的分类特征以及拉普拉斯平滑的使用。使用USE问卷对102名受访者进行的可用性测试总平均分为5.93（同意）。对北美UCI数据集的依赖限制了其在菲律宾的直接适用性；未来工作将聚焦于本地来源、专家标注的数据集。KabuTeach是一个可靠、可解释且以用户为中心的决策支持系统，弥合了传统知识与现代信息通信技术之间的差距，以促进更安全的农村蘑菇采集。