预测模型,以确定最好的策略,在牛到达料场时,对牛进行甲基过敏的应用

科学领域:

• 兽医医学 兽医医学 兽医医学
• 农业经济学 农业经济学
• 数据科学数据科学数据科学

背景情况:

• 对整个牛群在抵达时给予抗菌剂的甲基过敏,是管理牛呼吸道疾病 (BRD) 的关键策略.
• 目前的形而上学决策往往是主观的,缺乏数据驱动的经济优化.
• 预测建模为客观,经济驱动的形而上学选择提供了一个潜在的解决方案.

研究的目的:

• 根据最大化净回报,评估用于选择牛群的预测模型进行基因过敏治疗.
• 评估人口,原产地和外部经济变量对模型性能的影响.
• 确定最优的数据输入,以便在经济上做出合理的决策.

主要方法:

• 利用来自16368个牛群的数据来训练四种预测模型:增强决策树,物流回归,神经网络和随机森林.
• 使用接收器操作特征曲线下的面积 (AUC-ROC) 评估模型性能.
• 将基线模型与包含原产地数据 (城市,州) 和外部经济变量 (商品期货价格) 的基线模型进行比较.

主要成果:

• 基线预测模型显示出高性能 (AUC-ROC:0.800.93).
• 包括外部经济变量显著改善了模型性能 (AUC-ROC:0.920.94).
• 仅来源数据就降低了性能 (AUC-ROC:0.790.89),而组合数据则产生了中间结果 (AUC-ROC:0.870.91).

结论:

• 预测模型是优化料场的甲基过敏策略的有效工具.
• 将经济评估集成到模型中,可以加强对BRD控制的决策.
• 外部经济数据对于提高形而上学选择模型的准确性至关重要.