食品安全模型给出一个高风险概率，并不意味着检测已经结束，它真正改变的是下一步该把有限的检测资源放在哪里。可这个概率一旦要被检测人员采信、被监管沟通接受，只有一个数字是不够的。2026 年前后的研究与实践，正把风险预测拆成三个阶段：先有分数，再解释分数，最后承认分数有多不确定。
阶段一：风险分数解决排序问题
抽检资源有限，分数最直接的用途是排序：把历史抽检记录、供应商、品类、季节等信息变成每个批次的风险高低，让人先去检查排在前面的批次，具体做法见历史抽检记录怎样变成下一轮检查优先级。但一个分数回答不了两个追问：为什么是这个分？模型对它有几分把握？
阶段二：可解释，分数从哪里来
表格型风险数据上，XGBoost 是常见选择，SHAP 则把一次预测拆成各特征的贡献，例如供应商历史、季节、产品类别、既往检测记录各自把分数推高了多少，82 分到底从哪里来就是按这个思路读的。2026 年 Discover Food 上一项基于 RASFF 数据的研究，把 SHAP 归因、时间先后分析、what-if 敏感性和共形预测放进同一个流程。
what-if 的意思是把某个输入改一下（比如换成另一个产地或另一个季节），看风险分怎么变，用来检查模型对哪些因素敏感。要记住的边界是：SHAP 与 what-if 解释的是模型，不是现实里的因果，一个因素贡献大，只说明模型依赖它。
阶段三：不确定性，模型有多确定
不确定性通常靠三件工具处理。概率校准（Platt、isotonic；用 ECE、Brier 评价）让“说 70% 就大约有 70% 发生”；共形预测（conformal prediction）不再只给一个类别，而是给出一个预测集，并在数据满足假设的前提下，按设定的目标覆盖率保证真实类别落在集合里的比例；拒识（reject option）则规定模型没把握时不强行分类，农残检测里划出不确定区、转去复测或送检，走的是同一思路。
2026 年 9 月 3 日发表在 Frontiers in Food Science and Technology 的一项研究（作者来自 VIT）给出了一组具体数字。它在欧盟 RASFF 2019–2025 年共 22,643 条通报上做严重程度二分类，组合了 XGBoost、SMOTE 与类别权重、Platt 校准和 Mondrian 共形预测。校准误差 ECE 由 0.267 降到 0.043，共形预测的整体覆盖率约 90.3%，78.4% 的预测集是单一类别，其余属于“两类都有可能”，那部分就是模型主动交出的不确定样本。
细看分地区的结果更有启发：五个地区中有四个达到了 90% 的目标覆盖率，非洲地区约为 77.6%，而它恰好是校准样本最少的地区，只有 232 条。不确定性方法本身也依赖足够的校准样本，样本少的群体，保证会打折扣。
分类性能本身并不亮眼：准确率约 0.784，AUC 约 0.763，Cohen’s kappa 约 0.296，按常见的解读属于“一般”水平。这项研究的价值在于把校准和不确定性做进了流程。作者自己也写明，这是一个原型，假设时间平稳，需要部署验证，不是可直接用于监管的系统。企业不能把“90% 覆盖率”当成对自己数据的承诺。纵横国际新闻动态关注它，是因为“敢说不知道”正在成为食品安全 AI 的基本要求。
企业落地检查清单
- 先明确分数的用途是排序还是判定。用于排序时，看排序质量，别只盯某个阈值下的准确率。
- 用时间切分验证：训练集只能包含预测时点之前的信息，避免未来信息泄漏。
- 检查抽样偏差：历史抽检本身偏向常被检查的对象，需要保留一定比例的随机探索抽样。
- 每个高分都附上因素贡献，让业务人员核对这些贡献在常识上是否说得通，把 what-if 当作敏感性检查，不当作因果结论。
- 做概率校准，并分品类、分地区、分供应商检查校准与覆盖率，小样本群体单独标注。
- 规定“两类都有可能”与拒识样本的去向：进一步检测、人工复核或送实验室，不允许被强行归类。
- 上线后监控分布变化，定期重新校准；最终结论仍依据法定检验方法与适用法规。
这份清单里的多数条目，用一年左右的历史数据（示意）做一次小范围试点就能验证，它检验的是流程是否可信，与模型有多先进关系不大。