数据驱动的乳牛一生产量的预测,并将其作为选择多余年轻牛群的准则

科学领域:

• 动物科学动物科学
• 农业经济学 农业经济学
• 机器学习 机器学习

背景情况:

• 乳牛一生产量受到遗传学,环境和管理之间的复杂相互作用的影响.
• 在出生时准确预测一生产量是具有挑战性的,但对于知情的年轻动物选择至关重要.
• 目前用于选择多余的年幼动物的方法可能无法优化未来生产的遗传潜力.

研究的目的:

• 开发和评估机器学习模型,用于预测乳牛在出生时的一生产量.
• 评估这些模型在改善余年轻种群选择决策方面的有效性.
• 通过数据驱动的选择,增强保留的公牛的潜在寿命生产.

主要方法:

• 从荷兰奶牛群中构建一个全面的数据集,包括遗传,环境和管理数据.
• 开发和比较多个机器学习模型,用于终身生产预测.
• 与线性回归等传统方法相比,对模型性能的评估.

主要成果:

• 最好的机器学习模型解释了出生时一生生产的变异的47%,明显优于传统方法 (21.7%).
• 使用国家一级趋势和特定农场模型的综合方法产生了更高的预测准确度.
• 与基准方法相比,以模型为基础的余年轻种群选择使选择效果增加了一倍以上.

结论:

• 机器学习模型提供了一个强大的工具,用于预测奶牛一生产量,提高选择精度.
• 整合各种数据源 (遗传学,环境,管理) 是提高预测能力的关键.
• 使用这些模型进行优化的年轻牲畜选择可以显著增加保留的乳牛的平均寿命产量.