应用机器学习算法来预测在没有抗生素计划的情况下养育的肉到达时的死亡

科学领域:

• 农业科学 农业科学
• 机器学习 机器学习
• 动物福利 动物福利

背景情况:

• 在屠宰前的 brojler处理中发生的死在到达 (DOA) 事件会影响福利和利能力.
• 不平衡的数据集在DOA预测中很常见,阻碍了准确的建模.
• 机器学习为预测和减轻高DOA率提供了潜力.

研究的目的:

• 评估机器学习算法,用于预测肉的高死亡率 (DOA).
• 使用各种采样技术优化不平衡的肉生产数据.
• 确定导致高DOA率的关键因素.

主要方法:

• 使用了最小绝对收缩和选择运算符 (LASSO),分类树 (CT) 和随机森林 (RF) 算法.
• 应用了四种数据采样技术:随机多采样 (ROS),随机少采样 (RUS),两种采样 (BOTH) 和合成少数超采样技术 (SMOTE/ROSE).
• 分析了22,115辆肉卡车的数据集,专注于DOA%的预测.

主要成果:

• 随机森林 (RF) 在平衡数据集上表现出卓越的表现.
• 与原始不平衡数据相比,随机采样 (RUS) 显著提高了所有测试模型的预测准确性.
• 确定死亡率和灭绝率,养殖群体密度,季节和平均体重作为高DOA%的关键预测因素.

结论:

• 机器学习,特别是RF与RUS,对于预测商业肉生产中的高DOA百分比是有效的.
• 确定了关键因素,为改善肉福利和农场利提供了可操作的见解.
• 这项研究有助于通过数据驱动的方法制定减轻DOA事件的策略.