مدلسازی یادگیری ماشین می تواند به غلبه بر برخی از محدودیت های حسگرهای گازی، مانند شرایط عملیاتی سخت، خطاهای رانش، انتخاب محدود، نیاز به مقدار زیادی از داده های برچسب گذاری شده و چالش های هزینه و ساخت کمک کند. در این پژوهش یک سامانه بینی الکترونیک جهت تشخیص کشمش آفتابی، گوگردی و تیزابی ساخته شد. تیمارها شامل سه تیمار آفتابی، تیزابی و گوگردی هرکدام در سه تکرار آماده شدند و هرکدام 60 دقیقه در معرض حسگرهای بویایی قرار گرفتند تا پاسخ حسگرها به هر کدام از تیمارها ثبت شود. سپس داده های بدست آمده از پاسخ حسگرها توسط مدل های یادگیری ماشین مورد بررسی قرار گرفتند تا دقت مدلسازی هر روش مشخص شده و مورد بررسی قرار گیرد. نتایج نشان داد مدل رگرسیون گرادیان افزایشی استفاده شده با ضریب تبیین 9972/0، ریشه میانگین مربعات خطای 0209/0، میانگین مطلق خطای 0026/0 و ریشه میانگین مربعات خطای نسبی 0209/0 برای داده های آزمون توانسته است پاسخ حسگرهای گازی را به خوبی نسبت به تیمارهای معرفی شده مدلسازی کند. همچنین با بررسی و تحلیل نتایج بدست آمده، نوع و میزان همبستگی بین پاسخ حسگرها نسبت به هم و نسبت به زمان مشخص شد تا در پیش بینی رفتار آنها مورد ارزیابی قرار بگیرد. سپس با مدلسازی انجام شده مشخص شد حسگرهای MQ9، MQ3، MQ5، TGS2620 به ترتیب با ضرایب تبیین 8668/0، 8786/0، 9458/0 و 9074/0 و ریشه میانگین مربعات خطای 0163/0، 0168/0 ، 0083/0 و 0227/0 پاسخ های دقیق تر و پیش بینی پذیرتری نسبت به حسگرهای MQ135، TGS822، TGS810 و MQ4 نشان دادند.