基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习（machine learning,ML）算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树（Decision Tree,DT） C5.0、CHAID算法、人工神经网络（Artificial Neural Network,ANN）、随机森林（Random Forests,RF）、贝叶斯网络（Bayesian Networks,BN）和逻辑回归（Logistic Regression,LR）6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。     

基于聚类分析探究荷斯坦后备牛生长模式对头胎牛生产性能的影响

研究旨在利用聚类分析方法探究荷斯坦奶牛后备牛阶段影响其头胎产奶性能的因素和后备牛最佳生长模式。试验以我国西北地区某万头牧场2 236头荷斯坦后备奶牛为研究对象,以生长发育、疾病、繁育等相关数据为基础,通过聚类、差异性比较和相关性检验进行分析。结果显示,通过k-means聚类分析,最优聚类结果显示为三类,分别定义为优等水平后备牛(EH:25%)、良等水平后备牛(GH:21%)和中等水平后备牛(MH:54%)。产犊前患病总天数、断奶重、产犊前患病次数、出生到断奶的平均日增重(ADG₁)等4个变量为影响后备牛头胎生产性能的关键因素,且在类间差异达到显著水平(P<0.05)。相关性分析显示,初生重、断奶重、ADG₁、断奶到6月龄的平均日增重(ADG₂)、6月龄到12月龄的平均日增重(ADG₃)、初配年龄(AFB)、初产年龄(AFC)等与305 d产奶量和高峰奶量呈显著相关(P<0.05)。研究表明,试验筛选出了有利于头胎牛生产性能达到最佳的后备牛生长模式:平均断奶体重达到103.25 kg,AD...