在Holstein × Zebu杂交公牛的体重估计:XGBoost和LightGBM算法的比较分析

科学领域:

• 动物科学 动物科学
• 机器学习 机器学习
• 农业技术 农业技术

背景情况:

• 准确的活重估计对于畜牧管理和经济可行性至关重要.
• 传统的方法可能是劳动密集型和不那么精确.
• 杂交牛群在体重预测方面存在独特的挑战.

研究的目的:

• 评估XGBoost和LightGBM算法的有效性,以估计霍尔斯坦×泽布杂交雌牛的活体重.
• 用各种生物识别测量来比较这些机器学习模型的性能.
• 探索超参数调整,以优化预测准确度.

主要方法:

• 使用生物识别测量 (例如,身体测量,牛奶产量) 作为输入变量.
• 实现并比较了XGBoost和LightGBM机器学习算法.
• 在Holstein×Zebu杂交公牛的数据集上训练和测试模型.
• 在训练和测试集上使用R2值评估模型性能.

主要成果:

• 在训练组中,XGBoost实现了近乎完美的一致性 (R2=0.999),在测试组中实现了高性能 (R2=0.986).
• 轻GBM证明了有效的结果,R2值为0.986 (训练) 和0.981 (测试).
• 这两种算法都显示出精确活体体重估计的巨大潜力.

结论:

• XGBoost和LightGBM对于估计杂交雌牛的活体体重非常有效.
• 这些机器学习方法为畜牧企业和牲畜管理提供了实用和经济的解决方案.
• 建议进行进一步的研究,以优化这些算法在畜牧业更广泛的应用.