机器学习方法用于预测奶牛中保留的胎盘
Mohammad Rahimi Hosseinabadi1, Amir Hossein Mahdavi1, Abolfazl Mahnani2
1Department of Animal Science, College of Agriculture, Isfahan University of Technology, Isfahan, 84156-83111, Iran.
Theriogenology
|May 18, 2025
概括
机器学习模型可以预测乳牛中保留的胎盘 (RP). XGBoost和Random Forest算法显示出最有前途的识别有风险的奶牛,有助于精确的奶牛养殖管理.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 数据科学数据科学数据科学
背景情况:
- 保留的胎盘 (RP) 是乳牛的一个昂贵的生殖障碍.
- 准确预测产卵后的RP风险对于奶牛群管理至关重要.
- 目前的预测方法可能缺乏精度,导致财务损失.
研究的目的:
- 评估6个机器学习算法的预测性能,以评估乳牛中保留胎盘 (RP) 发生率.
- 通过使用大规模的分娩数据,确定用于预测RP风险的最有效算法.
- 评估机器学习作为精密奶牛养殖决策支持工具的实用性.
主要方法:
- 利用了来自15个伊朗奶牛群的363,945个产犊记录的数据集.
- 对比了天真湾 (NB),随机森林 (RF),决策树 (DT),支持矢量机 (SVM),XGBoost和后勤回归 (LR) 的性能.
- 使用接收器运行特征曲线 (AUC) 下的面积,F1得分和准确度指标评估算法.
主要成果:
- XGBoost和随机森林 (RF) 显示出优异的预测性能,AUC为0.78.
- XGBoost获得了最高的F1得分41%,表明了强大的预测能力.
- 后勤回归和天真贝叶斯显示较低的AUC值 (0.66和0.67),表明效率较低.
结论:
- 机器学习模型,特别是XGBoost和RF,显示出预测奶牛保留胎盘 (RP) 的巨大潜力.
- 这些模型可以作为有价值的决策支持工具,用于精密奶牛养殖的积极管理.
- 结合环境和管理数据的进一步研究可以提高预测的准确性.
