在现场条件下,使用机器学习算法开发猪断奶质量评分,以表征和分类高死亡风险群体
Edison S Magalhães1, Danyang Zhang2, Cesar A A Moura3
1Department of Veterinary Diagnostic and Production Animal Medicine, College of Veterinary Medicine, Iowa State University, Ames, IA, USA.
Preventive veterinary medicine
|August 31, 2024
概括
机器学习开发了一个Wean-Quality Score (WQS) 来预测小猪死亡率. 这种工具可以帮助生产者通过在断奶前识别高风险群体来管理断奶后的生存能力.
科学领域:
- 动物科学动物科学
- 兽医医学 兽医医学 兽医医学
- 数据科学数据科学数据科学
背景情况:
- 断奶后的死亡率显著影响了猪生产效率.
- 确定影响小猪生存的因素对于养殖场管理至关重要.
研究的目的:
- 开发一种预测工具,即断奶质量评分 (WQS),用于评估断奶后小猪死亡率.
- 确定影响断奶猪高死亡率的关键因素.
主要方法:
- 使用机器学习对1723个猪群进行回顾性分析 (随机森林,支持矢量机,梯度增强机).
- 基于表现最佳的随机森林模型开发和验证WQS.
- 影响60天死亡率的关键因素的排名.
主要成果:
- 随机森林模型在分类高/低死亡率组中实现了高精度 (0.90).
- 高死亡率的关键预测因素包括断奶前死亡率,断奶年龄,母猪养殖场平价,PRRS状态,种群密度和谷仓填充时间.
- 据WQS显示,与实际60天死亡率有很强的相关性 (r=0.74).
结论:
- 养猪质量标准是早期评估猪断奶后生存能力的一个有价值的工具.
- 机器学习和数据利用可以提高断奶猪质量的管理.
- 生产者可以使用WQS进行及时干预,以改善小猪的生存率.
