在乳牛养殖中使用辐射基函数神经网络预测症
Edyta A Bauer1, Wojciech Jagusiak2
1Department of Animal Reproduction, Anatomy and Genomics, Faculty of Animal Science, University of Agriculture in Krakow, al. Mickiewicza 24/28, Krakow 30-059, Poland.
Preventive veterinary medicine
|December 25, 2024
概括
人工神经网络准确地诊断了乳牛的亚临床症. 开发的模型实现了对I型和II型症的高灵敏度和特异性,有助于早期发现疾病.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 人工智能的人工智能
- 数据挖掘 数据挖掘
背景情况:
- 亚临床症是一种影响乳牛的代谢障碍,影响群体健康和生产力.
- 准确和早期诊断对于有效的管理和治疗策略至关重要.
- 传统的诊断方法可能耗时,可能缺乏精度.
研究的目的:
- 开发和验证人工神经网络 (ANN) 模型,用于诊断乳牛的亚临床症 (I型和II型).
- 应用数据挖掘方法来创建一个强大的诊断应用程序.
- 用接收器操作特征 (ROC) 曲线的灵敏度,特异性和曲线下的面积 (AUC) 来评估模型性能.
主要方法:
- 使用的辐射基函数 (RBF) 网络,一种ANN,用于模型开发.
- 采用了来自1520头波兰荷尔斯坦-弗里西亚牛的牛奶成分参数作为输入变量.
- 根据血液中的β-基黄油酸水平确定输出变量,这是症的关键指标.
主要成果:
- 一种对症I型的最佳模型显示灵敏度为0.86,特异性为0.71,AUC为0.89.
- 对二型症的最佳模型实现了0.81的灵敏度,0.75的特异性和AUC大于0.85.8的AUC.
- 为了互操作性,选择的模型被保存到预测模型标记语言 (PMML) 中.
结论:
- ANN模型,特别是RBF网络,提供了一种可靠和准确的方法来诊断乳牛的亚临床症.
- 开发的模型显示出在乳牛群管理中实际应用的巨大潜力.
- 使用PMML确保模型可以轻松共享并集成到现有的数据挖掘工作流中.
