对线性和非线性决策边界进行比较,以检测使用Angus × Hereford牛的密集数据收集系统检测料区膨胀
A Macias Franco1, A E M da Silva1, P J Hurtado2
1Department of Agriculture, Veterinary, & Rangeland Sciences, University of Nevada, Reno, NV 89557, United States.
Animal : an international journal of animal bioscience
|August 23, 2023
概括
预测牛的料区膨胀对于动物福利和表现至关重要. 这项研究使用性能数据开发了模型,发现干物质摄入量,体重和水摄入事件是预测膨胀的关键指标.
科学领域:
- 动物科学动物科学
- 兽医医学 兽医医学 兽医医学
- 机器学习在农业中的应用
背景情况:
- 乳头膜 (膨胀) 显著影响畜牧业运作,影响动物的表现,福利和生存.
- 目前的决策支持系统缺乏基于动物表现数据的预测性膨胀模型.
研究的目的:
- 通过使用性能数据,预测料场牛的膨胀发病率.
- 为了比较线性 (LDB) 和非线性决策边界 (NLDB) 模型对膨胀预测的有效性.
- 确定用于早期发现膨胀的关键绩效指标.
主要方法:
- 对于LDB,使用了双项分布和逻辑链接函数的逻辑回归.
- 雇佣L1和L2处罚特征选择和防止过度装配.
- 使用自动监测人体体重 (BW),水摄入量和干物摄入量 (DMI) 的Calan Gate系统进行LDB,NLDB和非参数LDB模型的比较.
主要成果:
- 模型在预测膨胀时表现出高准确度,特异性和灵敏度.
- 在LDB和NLDB模型之间的预测性能没有显著差异.
- 干物质摄入量 (DMI),体重 (BW) 和没有摄入水事件访问 (NWIE) 是最重要的预测因素,膨胀与DMI/BW降低和NWIE增加有关.
结论:
- 开发了用于料场膨胀的预测模型,其性能可接受管理集成.
- 强调复杂的机器学习算法并不总是优于更简单的线性模型.
- 确定了在养场牛群中主动进行膨胀管理的关键绩效指标 (DMI,BW,NWIE).
