使用超声波测量和机器学习方法预测黑腹羊的尸体组织组成
Enrique Camacho-Pérez1, Jesús Manuel Lugo-Quintal2, Cem Tirink3
1Facultad de Ingeniería, Universidad Autónoma de Yucatán, Av. Industrias No Contaminantes S/N, Mérida, Yucatán, México.
Tropical animal health and production
|September 18, 2023
概括
机器学习模型使用体内超声波测量准确预测黑腹羊尸体组织组成. 随机森林证明了对尸体骨,脂肪和肌肉总含量的最佳预测性能.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 数据科学数据科学数据科学
背景情况:
- 准确预测尸体组织成分对于畜牧管理和育种至关重要.
- 活体超声波为评估动物生长和尸体特征提供了一种非侵入性方法.
研究的目的:
- 评估机器学习模型来预测黑腹羊尸体组织组成.
- 为了确定最有效的模型来估计总尸体的骨头,脂肪和肌肉.
主要方法:
- 使用了黑腹羊的体内超声波测量.
- 应用并比较了四种机器学习模型:决策树,随机森林,支向量机器和多层感知子.
- 预测的总体尸体骨 (TCB),总体尸体脂肪 (TCF) 和总体尸体肌肉 (TCM).
主要成果:
- 随机森林在预测TCB,TCF和TCM方面表现优于其他模型.
- 随机森林实现了TCB,TCF和TCM的R平方值分别为0.67,0.69和0.76.
- 该研究报告了随机森林模型的低平均平方误差 (MSE) 和平均绝对误差 (MAE).
结论:
- 机器学习模型,特别是随机森林,可以从体内超声数据可靠地预测尸体组织组成.
- 在体内超声波与机器学习相结合,为在绵羊中进行非侵入性尸体成分评估提供了可行的工具.
- 这些发现支持在牲畜评估中使用预测建模,以提高效率和准确性.
