基于机器学习和沙普利的附加解释,预测肉养殖者的蛋生产率和蛋重量

科学领域:

• 禽畜科学 禽畜科学 禽畜科学
• 动物育种 动物育种
• 机器学习应用 机器学习应用

背景情况:

• 蛋生产率和蛋重量是肉养殖者表现的关键指标.
• 准确预测这些指标可以显著改善农场经济和战略规划.
• 关于应用机器学习 (ML) 来预测 brojiler繁殖者蛋产量和体重的研究是有限的.

研究的目的:

• 开发和比较ML模型,用于预测 brojiler繁殖者的蛋产量率和蛋重量.
• 确定影响这些预测的关键因素.
• 提高ML模型在这个领域的透明度和可信度.

主要方法:

• 收集了三家家禽舍的年龄,料摄入量,水消耗和环境因素 (温度,湿度,风速) 的数据.
• 训练并验证了七种ML模型:随机森林 (RF),多层感知器 (MLP),支持向量回归 (SVR),最小方程支持向量机器 (LSSVM),k-最近邻居 (kNN),XGBoost和LightGBM.
• 使用Shapley添加式解释 (SHAP) 进行模型解释.

主要成果:

• 在所有数据集中,XGBoost模型在预测蛋生产率和蛋重量方面表现出卓越的性能.
• XGBoost实现了低误差指标:MAE < 2.86%,RMSE < 4.17%,MAPE < 7.03%的蛋生产率;MAE < 0.63g,RMSE < 0.86g,MAPE < 1.1%的蛋重量.
• 确定卵产率的关键预测因素是年龄,料摄入量和有效温度 (ET);对于卵重量,它们是年龄,风速,温度湿度指数 (THI) 和ET.

结论:

• XGBoost 是一种高效的 ML 模型,用于预测 brojler 繁殖者蛋生产率和蛋重量.
• 使用SHAP的模型解释性为生产驱动因素提供了有价值的见解.
• 这项研究提供了通过准确的生产预测优化农场运营,资源配置和利能力的科学基础.