多层感知和支向量回归模型用于猫的分娩日期预测
Thanida Sananmuang1, Kanchanarat Mankong2, Kaj Chokeshaiusaha1
1Faculty of Veterinary Medicine, Rajamangala University of Technology Tawan-Ok, Chonburi, Thailand.
Heliyon
|March 27, 2024
概括
预测猫的分娩日期是使用先进的机器学习模型,如多层感知器 (MLP) 和支持向量回归 (SVR) 的改进. 这些模型利用双双体直径, litter 尺寸和母体体重,提供比传统方法更高的准确性.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 机器学习 机器学习
- 生殖生物学 生殖生物学
背景情况:
- 在猫科产科护理中准确预测分娩日期仍然是一个挑战.
- 传统的简单线性回归 (SLR) 模型使用胎儿双对面直径 (BPD) 已经显示出有限的准确性.
- 先进的回归模型提供了改善预测性能的潜力.
研究的目的:
- 引入和评估多层感知器 (MLP) 和支持向量回归 (SVR) 模型,用于猫的分娩日期预测.
- 将MLP和SVR与传统方法的性能进行比较.
- 识别关键的输入特征,以提高预测准确度.
主要方法:
- 实施MLP和SVR模型用于分娩日期预测.
- 使用的输入特征:胎儿双双面直径 (BPD),幼大小和母体体重.
- 基于系数得分,平均绝对误差和平均平方误差对模型性能进行比较分析.
主要成果:
- 该MLP模型表现出卓越的性能,具有高系数得分 (0.972±0.006).
- MLP实现了最低的平均绝对误差 (1.110 ± 0.060) 和平均平方误差 (1.540 ± 0.141).
- BPD,幼大小和母体体重被确定为MLP和SVR模型的重要特征.
结论:
- MLP和SVR代表了准确预测猫咪分娩日期的有希望的工具.
- 开发的分析平台和优化模型适合在临床实践中进一步验证.
- 这项研究通过先进的预测建模建立了一种新的方法,用于通过先进的预测建模改进猫的产科护理.
