通过更聪明的方法,可以在多种品种中预测子的体重

科学领域:

• 动物科学动物科学
• 量化遗传学 量化遗传学
• 机器学习在农业中的应用

背景情况:

• 准确的活体重估计对于有效的动物育种计划至关重要.
• 形态测量测量为评估动物生长和发育提供了一种非侵入性方法.
• 传统的线性模型和现代机器学习技术越来越多地应用于提高预测准确性.

研究的目的:

• 为了比较线性回归和随机森林 (RF) 模型对子活体体重估计的预测精度.
• 评估形态测量测量的有效性,以提高体重预测的准确性.
• 为了确定影响子体重的关键形态特征.

主要方法:

• 一项涉及228只子的研究涉及6个品种 (萨丁,雷克斯,新西兰白,海拉,海科尔,雷扎).
• 收集形态测量数据,包括体重,头部尺寸,胸围,身体长度和部宽度.
• 使用R软件和相关软件包 (caret,randomForest) 应用线性回归和随机森林 (RF) 算法.

主要成果:

• 与RF (R-平方:0.8,RMSE:326.37) 相比,线性回归实现了较高的R平方值 (0.82) 和较低的根平均平方误差 (RMSE:300.16) .
• 胸围和身体长度被确定为线性回归模型中最重要的体重预测指标.
• 随机森林模型的IncNodePurity指标也强调头部长度是重要的预测指标.

结论:

• 线性回归模型在使用形态学数据预测子的体重方面表现优于随机森林.
• 形态测量测量,特别是胸围和身体长度,是养子活体重估计的有价值的预测指标.
• 这些发现支持使用优化的线性模型来提高动物育种计划的精度.