使用机器学习算法预测乳牛的体重,应用到形态特征
Franck Morais de Oliveira1, Patrícia Ferreira Ponciano Ferraz1, Gabriel Araújo E Silva Ferraz1
1Department of Agricultural Engineering, School of Engineering, Federal University of Lavras (UFLA), Lavras 37203-202, Brazil.
Animals : an open access journal from MDPI
|April 12, 2025
概括
准确的牛体质量 (BM) 预测对于牛群管理至关重要. 人工神经网络 (ANN) 和支持向量回归 (SVR) 模型为使用形态数据估计BM提供了比传统回归更高的准确性.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 数据科学数据科学数据科学
背景情况:
- 准确的体重 (BM) 预测对于有效的牛群管理至关重要,影响营养策略和生物效率评估.
- 形态测量提供了一种非侵入性方法来估计牲畜中的BM.
研究的目的:
- 用形态数据评估和比较各种模型的准确性,以预测哺乳期荷尔斯坦牛的体重.
- 为了确定最有效的预测和建模技术在农场应用.
主要方法:
- 斯皮尔曼的相关性被用来从465只霍尔斯坦牛的数据集中识别关键的形态预测因素 (胸围,腹围,后背宽度).
- 使用了简单线性回归,多重线性回归,人工神经网络 (ANN) 和支持向量回归 (SVR) 并进行了比较.
- 用90%的培训,5%的验证和5%的测试分成的数据集来评估模型性能.
主要成果:
- 胸围 (TP),腹围 (AP) 和后背宽度 (RW) 与身体质量有最强的相关性.
- 结合TP,AP和RW的多重回归模型显著提高了预测准确性 (R2 = 0.9067,RMSE = 28.00 公斤).
- 人工神经网络 (ANN) 获得了最高的精度 (R2 = 0.9125,RMSE = 25.86 公斤),紧随其后的是SVR (R2 = 0.9046,RMSE = 27.41 公斤).
结论:
- 与传统的回归方法相比,先进的机器学习模型如ANN和SVR在牛体质量预测方面提供了更高的准确性.
- 虽然复杂的模型提供了更高的精度,但更简单的回归模型仍然是常规农场使用的实际替代方案.
- 使用形态数据准确的BM预测支持优化牛群管理和乳牛的效率.
