在不同生产阶段使用普通最小平方和机器学习方法对轻约克郡猪进行分类

科学领域:

• 动物科学动物科学
• 农业经济学 农业经济学
• 数据科学数据科学数据科学

背景情况:

• 猪的同质性对猪业的利能力至关重要,因为大小的变化会影响经济价值.
• 早期识别患有生长迟缓风险的猪对于提高整体群体效率至关重要.

研究的目的:

• 开发和评估用于识别不同生产阶段易受生长迟缓的猪的统计方法.
• 根据现有数据,评估机器学习算法在预测光猪方面的性能.

主要方法:

• 使用普通最小方程和四种机器学习算法分析大型数据集 (超过125,000头奶猪,约60,000头幼儿园猪,约49,000头屠宰猪).
• 利用随机森林,决策树和增强方法,使用各种权重函数来分类轻猪.
• 使用接收器运行特征曲线和曲线下的面积 (AUC) 度量来评估模型性能.

主要成果:

• 随机森林算法在所有生产阶段和切割点上始终产生了最高的AUC,优于其他方法.
• 出生的体重和 litter 尺寸是最重要的预测因素 (超过 75%) 轻猪在断奶.
• 断奶体重和育儿期体重是预测屠宰体重的关键因素 (分别超过40%和50%的重要性).

结论:

• 机器学习算法是有效的工具,用于识别影响猪生长效率和同质性的风险因素.
• 出生体重和断奶体重是未来生长的关键指标,强调母猪营养,食管理和哺乳期小猪护理的重要性.