使用人工神经网络,最近邻居和CART算法估计苏江猪的体重:使用形态测量的比较研究
1Faculty of Agriculture, Department of Animal Science, Isparta University of Applied Sciences, Isparta, Türkiye. malikergin@isparta.edu.tr.
Tropical animal health and production
|January 5, 2025
概括
人工神经网络 (ANN) 使用形态特征准确预测苏江猪的体重 (BW). 这种机器学习方法有助于制定高效的养殖策略和猪的选择标准.
科学领域:
- 动物科学动物科学
- 机器学习 机器学习
- 遗传学 是一个遗传学.
背景情况:
- 准确预测猪的体重 (BW) 对育种计划和养殖场管理至关重要.
- 形态特征提供了一个非侵入性的方法来估计BW.
- 评估机器学习算法用于畜牧业的预测准确度是一个正在进行的研究领域.
研究的目的:
- 评估各种机器学习算法在预测苏江猪BW方面的有效性.
- 通过有限的形态数据来确定BW预测的最准确和最有效的算法.
- 确定最能预测苏江猪体质的关键形态特征.
主要方法:
- 使用了365只成熟的苏江猪的形态测量 (年龄,身体长度,背部脂肪厚度,胸围,身体高度,胸宽,部宽度).
- 应用人工神经网络 (ANN),K-最近邻居 (KNN) 和分类和回归树 (CART) 算法用于BW预测.
- 使用莱文伯格-马奎特,贝叶斯规范化和缩放的并联梯度训练算法优化ANN模型.
主要成果:
- 该ANN算法表现出卓越的性能,实现了0.85.5的R2.
- 部宽度 (HW),身体长度 (BL) 和身体高度 (BH) 被确定为BW的显著预测因素.
- 从模型中排除BH,预测准确度降低了大约5%.
结论:
- 该ANN算法,特别是与Levenberg-Marquardt或贝叶斯规则化,是一个强大的工具,用于准确的猪BW预测.
- 识别的形态特征可以作为有效的间接选择标准来改进育种策略.
- 这项研究支持使用机器学习来确定苏江猪的选择标准和品种标准.
