استفاده از الگوریتم های یادگیری ماشین برای پیش بینی وقوع ورم پستان بالینی در گاوهای هلشتاین
- سال انتشار: 1402
- محل انتشار: فصلنامه تولیدات دامی، دوره: 25، شماره: 2
- کد COI اختصاصی: JR_JAP-25-2_001
- زبان مقاله: فارسی
- تعداد مشاهده: 93
نویسندگان
بخش علوم دامی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران.
نویسنده مسئول، بخش علوم دامی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران.
مرکز پژوهش های علمی و صنعتی غذا و کشاورزی مشترک المنافع (CSIRO)، آرمیدل، نیوساوت ولز، استرالیا.
چکیده
در این پژوهش، از چهار الگوریتم جنگل تصادفی، درخت تصمیم، بیز ساده و رگرسیون لجستیک برای پیش بینی بیماری ورم پستان بر اساس داده های دو گله گاو شیری هلشتاین استفاده شد. به دلیل نامتوازن بودن تعداد موارد بیمار و سالم از دو روش بیش نمونه برداری و کم نمونه برداری استفاده شد. متغیرهای مرتبط با ورم پستان، شامل نوبت زایش، تولید شیر روزانه، فصل زایش، مرحله ی شیردهی، سابقه ی ورم پستان و امتیاز سلول های بدنی از دو گاوداری در اصفهان جمع آوری شد. ویرایش داده ها با نرم افزارSQL Server (نسخه ۲۰۱۲)، مدل سازی برای پیش بینی ورم پستان با نرم افزارWEKA (نسخه ۳/۸)، انجام شد. بر اساس نتایج به دست آمده، بهترین عملکرد مربوط به الگوریتم جنگل تصادفی در حالت کم نمونه برداری با صحت، حساسیت، تشخیص و ناحیه زیرمنحنی خم به ترتیب ۸۴/۳۰درصد، ۹۴/۸۰ درصد،۷۳/۸۰ درصد و ۰/۹۰ بود. بدون نمونه برداری، قدرت تشخیص موارد بیمار (حساسیت برحسب درصد) در الگوریتم های جنگل تصادفی، درخت تصمیم، بیز ساده و رگرسیون لجستیک به ترتیب ۱/۶۷، صفر، ۱۲/۲۹ و ۲/۰۶ بود که نسبت به استفاده از نمونه برداری به طور چشمگیری ضعیف تر بود. این بخاطر نامتوازن بودن تعداد موارد دو کلاس سالم و بیمار و نشان دهنده ی لزوم استفاده از روش های نمونه برداری بود. با توجه به یافته ها، الگوریتم درخت تصمیم نیز در روش کم نمونه برداری با اختلاف کمی بعد از جنگل تصادفی بهترین عملکرد را با صحت، حساسیت، تشخیص و ناحیه زیرمنحنی خم به ترتیب ۸۴/۰ درصد، ۹۴/۲ درصد، ۷۳/۹ درصد و ۰/۹۰ داشت. با توجه به هزینه ی محاسباتی بسیار بیشتر جنگل تصادفی نسبت به درخت تصادفی، در مواقعی که حجم داده ها بالاست، بهتر است از درخت تصمیم استفاده شود.کلیدواژه ها
پیش بینی, گاو شیری, نمونه گیری, ورم پستان, یادگیری ماشیناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.