使用机器学习来预测乳牛产后体细胞计数状态
Jake S Thompson1, Martin J Green1, Robert Hyde1
1School of Veterinary Medicine and Science, University of Nottingham, Nottingham, United Kingdom.
Frontiers in veterinary science
|December 25, 2023
概括
机器学习准确地预测了使用常规农场数据的产后乳头感染风险. 这使得奶牛养殖者能够识别高风险的奶牛,并优化管理,以改善乳腺健康和减少抗生素使用.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 乳制品科学 乳制品科学
- 机器学习应用 机器学习应用
背景情况:
- 乳房健康对乳制品行业的利能力和动物福利至关重要,影响疼痛,经济损失和抗生素使用.
- 干旱期对于预防和治疗乳腺内感染至关重要.
- 常规的牛奶记录产生了大量的数据,为数据驱动的乳腺健康管理提供了机会.
研究的目的:
- 开发一种机器学习模型,用于预测个体母牛产后体细胞计数 (SCC) 升高的风险.
- 利用例行收集的农场数据进行概率风险评估.
- 为了使乳牛能够采取主动的,基于风险的管理决策.
主要方法:
- 利用了来自108个定期记录牛奶的英国奶牛群的匿名数据.
- 在56个农场的数据集上使用极端梯度增强决策树算法 (XGBoost) 进行模型训练.
- 在单独的28个农场测试数据集上外部验证模型,评估校准图和错误指标.
主要成果:
- XGBoost模型表现出强大的预测性能,其缩放屏障得分为0.095和平均绝对校准误差为0.009.
- 模型校准表明可靠的差异化增加的SCC风险概率分娩后.
- 群体级干旱期感染率被确定为产卵后SCC的关键预测因素,强调卫生的重要性.
结论:
- 使用常规数据,可以高确定性地对产后30天内SCC升高的概率风险进行分类.
- 预测的概率使农民能够根据风险对奶牛进行分组,并定制管理策略.
- 这种方法支持优化乳腺健康管理,并减少牛奶养殖中对抗生素的依赖.
