机器学习预测建模用于在没有抗生素的养肉中进行谴责风险评估
Pranee Pirompud1, Panneepa Sivapirunthep2, Veerasak Punyapornwithaya3
1Doctoral Program in Innovative Tropical Agriculture, Department of Agricultural Education, Faculty of Industrial Education and Technology, King Mongkut's Institute of Technology Ladkrabang, Bangkok, Thailand 10520.
Poultry science
|September 11, 2024
概括
机器学习模型可以预测高肉的死亡率,减少家禽业的损失. 随机采样的随机森林被证明是最有效的,识别了身体重量和 lairage 时间等关键因素.
科学领域:
- 禽畜科学 禽畜科学 禽畜科学
- 机器学习 机器学习
- 农业经济学 农业经济学
背景情况:
- 在家禽行业中,肉尸体的谴责造成了重大财务损失和食品浪费.
- 评估无抗生素肉的灭绝风险对于经济可行性至关重要.
研究的目的:
- 评估和比较机器学习 (ML) 模型,用于预测无抗生素肉的高死亡率.
- 为了确定影响 brojler 谴责的关键变量.
主要方法:
- 使用了最小绝对收缩和选择操作员 (LASSO),分类树 (CT) 和随机森林 (RF) 模型.
- 应用采样技术 (ROS,RUS,BOTH,ROSE) 来解决不平衡的数据集.
- 分析了23959辆卡车载货物,其中包括从养到屠宰的14个独立变量.
主要成果:
- 随机森林随机采样 (RF与RUS) 在预测高谴责率方面表现优异.
- 平均体重,每箱重量,死亡率/屠宰率和化时间被确定为最有影响力的预测因素.
- 在8.05%的数据集中存在高的谴责率 (值≥3.0%).
结论:
- ML,特别是RF与RUS,为预测 brojler谴责风险提供了一个强大的框架.
- 确定关键变量使得有针对性的农场管理策略能够最大限度地减少经济损失.
- 可适应的ML方法可以在不同的肉生产系统中应用.


