| 基于传感器监测数据的预测泌乳牛乳房炎机器学习算法研究 |
| |
| 引用本文： | 赵紫瑄,陈梦醒,周晓晶.基于传感器监测数据的预测泌乳牛乳房炎机器学习算法研究[J].黑龙江畜牧兽医,2023(2):43-50. |
| |
| 作者姓名： | 赵紫瑄 陈梦醒 周晓晶 |
| |
| 作者单位： | 1. 黑龙江八一农垦大学动物科技学院;2. 黑龙江八一农垦大学理学院 |
| |
| 基金项目： | 国家重点研发计划项目(2017YFD0502200)； |
| |
| 摘 要： | 为了预测集约化牧场奶牛患有临床乳房炎的风险，试验选择黑龙江省黑河市两个集约化奶牛场的288头泌乳牛及其数据为研究对象，分为患病组(确诊患有乳房炎的奶牛189头)和健康组(109头),选择这些奶牛的日平均产奶量、日平均活动量、日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间、昼夜反刍时间比、日每2 h的反刍时间偏差绝对值、日加权反刍时间变化绝对值的和、日平均电导率变化百分比、日电导率峰值14个指标数据，比较分析上述变量在患病组和健康组组间和组内差异；然后采用3种机器学习算法(决策树、随机森林、eXtreme Gradient boosting)和二元逻辑分类算法预测奶牛乳房炎的发病情况。结果表明：在d-0时，患病组奶牛的日平均产奶量(34.89±11.81)kg]极显著低于健康组(41.96±8.69)kg,P<0.01];而在d-7～d-2时，患病组奶牛的日平均产奶量均高于健康组，但差异不显著(P>0.05)。患病组奶牛的日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间在d-1时均达到最低(515.37±66.88)min、(206.63±67.05)mi...
|
| 关 键 词： | 乳房炎 传感器 数据 预测 决策树算法 随机森林算法 eXtreme Gradient boosting算法 |
|
