Abstract
Изменения состава и качества молока оказывают влияние на безопасность продукции, эффективность производства и здоровье потре-бителей, что делает актуальной разработку интеллектуальных методов оценки качества. Целью исследования являлось сравнение классических, ансамблевых и гибридных моделей машинного обучения для классификации качества моло-ка в рамках концепции Digital Twin. В работе использован набор данных Milk Quality (Kaggle), содержащий 1059 образцов и семь физико-химических призна-ков. Были исследованы шесть классических алгоритмов, три ансамблевых метода (Random Forest, XGBoost, LightGBM) и три гибридные модели (RF+KNN, XGBoost+RF и Stacking) с применением стратифицированного разделения вы-борки и пятикратной кросс-валидации. Результаты показали преимущество ан-самблевых и гибридных моделей над традиционными алгоритмами. Гибридная модель RF+KNN продемонстрировала идеальную классификацию с результа-том 100,0% по всем метрикам, тогда как ансамбль Stacking достиг 99,69% из-за единственной ошибочной классификации. Обе модели значительно превзошли классические базовые модели. Полученные результаты подтверждают перспек-тивность использования ансамблевых и гибридных моделей в системах мони-торинга качества молока на основе Digital Twin и интеллектуальной поддержки принятия решений.