机器学习方法用于预测牛奶奶牛的移位腹部,使用高度不平衡的数据集
Zeinab Asgari1, Ali Sadeghi-Sefidmazgi2, Abbas Pakdel1
1Department of Animal Sciences, College of Agriculture, Isfahan University of Technology, Isfahan 84156-83111, Iran.
Animals : an open access journal from MDPI
|July 12, 2025
概括
在乳牛中早期预测移位腹部 (DA) 对于减少经济损失至关重要. 机器学习模型,特别是渐变增强机 (GBM) 和随机森林 (RF),在识别易受感染的奶牛方面表现有前途.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 机器学习应用 机器学习应用
背景情况:
- 由于牛奶产量下降和过早的杀,移位腹部 (DA) 在奶牛养殖中造成了重大经济损失.
- 早期识别易受DA感染的奶牛对于有效管理和减轻财务影响至关重要.
- 阿尔茨海默病是一种复杂的特征,发病率低,使得预测具有挑战性.
研究的目的:
- 研究机器学习算法的预测潜力,以便在荷尔斯坦乳牛中早期检测移位腹部 (DA).
- 评估后勤回归,天真贝叶斯,决策树,随机森林和梯度增强机器在预测DA方面的表现.
- 确定可靠的模型,可以帮助奶牛养殖者采取主动管理策略.
主要方法:
- 利用了来自7个荷尔斯坦乳牛群的20个群牛特有的特征和父遗传信息 (2010-2020年分娩).
- 对比了五种机器学习算法的有效性:逻辑回归 (LR),天真贝叶斯 (NB),决策树,随机森林 (RF) 和梯度增强机器 (GBM).
- 使用F2分数和真正阳性率等指标评估模型性能,特别是在不平衡的数据上.
主要成果:
- 梯度提升机 (GBM) 和随机森林 (RF) 在预测DA方面表现出卓越的表现,达到0.32.2的F2测量值.
- 随机森林 (RF) 模型表现出最高的真实阳性率为0.75,紧随其后的是GBM的0.70.
- 尽管数据高度不平衡,但该研究成功地表明了预测DA易受感染病例的潜力.
结论:
- 机器学习模型,特别是RF和GBM,为早期预测乳牛的移位腹部提供了可行的方法.
- 这种预测能力可以为奶牛农提供数据驱动的洞察力,以便及时进行管理干预.
- 实施这种预测工具可以帮助最大限度地减少与DA相关的经济损失.
