使用机器学习算法预测子的生长和料效率
A Shirzadifar1, G Manafiazar2, P Davoudi2
1Department of Animal Science and Aquaculture, Dalhousie University, Truro, Nova Scotia B2N 5E3, Canada; Biosystems Engineering Department, Shiraz University, Shiraz, Iran.
Animal : an international journal of animal bioscience
|January 25, 2025
概括
机器学习使用性别和年龄等基本测量来准确预测鱼料效率,从而减少了昂贵的个人监控. 这种方法通过简化数据收集来提高子行业的竞争力.
科学领域:
- 动物科学动物科学
- 机器学习应用 机器学习应用
- 农业经济学 农业经济学
背景情况:
- 料效率对于子行业的利能力至关重要,但传统的测量方法昂贵且劳动密集.
- 准确的料效率指标对于提高子养殖的竞争力至关重要.
- 目前用于测量子的料摄入量和体重的方法对于广泛采用是不切实际的.
研究的目的:
- 评估机器学习算法,用于预测子的平均每日增益 (ADG),料转换比率 (FCR) 和剩余料摄入量 (RFI).
- 识别关键特征 (性别,颜色,年龄,体重,长度) 以准确预测料效率指标.
- 确定影响子 ADG,FCR 和 RFI 的最重要的特征.
主要方法:
- 利用机器学习算法在15周的时间内预测ADG,FCR和RFI.
- 收集了关于性别,颜色类型,年龄,体重 (BW) 和身体长度的数据,每隔3周.
- 使用各种特征组合比较预测准确度,初始测量 (8月1日) 证明最有效.
主要成果:
- 极端梯度增强 (XGB) 算法在预测ADG (R2=0.71),FCR (R2=0.74) 和RFI (R2=0.76) 中表现出高准确度.
- 包括所有初始特征 (性别,颜色,年龄,BW,8月1日的长度) 产生了最准确的预测.
- 性别被确定为ADG,FCR和RFI的最重要的预测因素.
结论:
- 机器学习,特别是XGB,可以在没有直接测量每日料摄入量的情况下准确预测鱼料效率指标.
- 对于可靠的料效率预测,初始测量性别,颜色,年龄,BW和长度是足够的.
- 这些发现为评估料效率提供了具有成本效益的解决方案,提高了子行业的竞争力.
