用数据挖掘算法对波拉特利羊的生体重进行形态表征
Rabia Albayrak Delialioglu1, Erkan Pehlivan2, Yasin Altay3
1Ankara University, Faculty of Agriculture, Department of Animal Science, Biometry and Genetics Unit, Ankara, Türkiye. Rabia.Albayrak@ankara.edu.tr.
Tropical animal health and production
|November 23, 2023
概括
这项研究使用身体测量和机器学习来估计波拉特利羊的活体重 (LW). 多变量自适应回归脊柱 (MARS) 算法显示了活体体重估计的最佳预测性能.
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:
- 准确的活体重 (LW) 估计对于畜牧管理和繁殖计划至关重要.
- 形态特征为评估动物生长和状况提供了一种非侵入性方法.
研究的目的:
- 用身体测量和机器学习算法估计波拉特利羊的活体重 (LW).
- 为了确定活体体重估计的重要独立变量.
- 为了比较分类和回归树 (C&RT),千方形自动交互探测器 (CHAID) 和多变量自适应回归支柱 (MARS) 算法的预测性能.
主要方法:
- 使用的身体测量 (胸高,高,身体长度,胸深,胸宽,胸围,炮骨周长),年龄和性别作为独立变量.
- 应用C&RT,CHAID和MARS算法进行活体体重预测.
- 采用了基于树的算法10倍交叉验证和特定节点设置.
主要成果:
- 所有的算法都显示了体型测量与活体体重 (p < 0.05) 之间强烈的相关性.
- 在多个指标 (RMSE,SDR,MAPE,Adj-Rsq,AIC) 中,MARS算法实现了最佳预测性能.
- 在基于树的算法中,C&RT的表现优于CHAID.
结论:
- C&RT和MARS算法可靠地进行形态表征,并确定活体重的间接标准.
- 这些算法可以帮助形成精英群体,并优化育种计划.
- 身体尺寸是波拉特利羊活体重的有效预测指标.


