文献

J-GLOBAL ID：202002268807793299   整理番号：20A2060720

アンサンブル学習アプローチを用いた乳牛における生存に関する予測能力の改善【JST・京大機械翻訳】

Improving predictive performance on survival in dairy cattle using an ensemble learning approach

著者 (7件)： van der Heide E.M.M. (Wageningen University & Research Animal Breeding and Genomics, P.O. box 338, 6700 AH Wageningen, the Netherlands) ,  Kamphuis C. (Wageningen University & Research Animal Breeding and Genomics, P.O. box 338, 6700 AH Wageningen, the Netherlands) ,  Veerkamp R.F. (Wageningen University & Research Animal Breeding and Genomics, P.O. box 338, 6700 AH Wageningen, the Netherlands) ,  Athanasiadis I.N. (Wageningen University & Research, Laboratory of Geo-Information Science and Remote Sensing, P.O. box 47, 6700 AA Wageningen, the Netherlands) ,  Azzopardi G. (University of Groningen, Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, 9747 AG Groningen, the Netherlands) ,  van Pelt M.L. (Cooperation CRV, Animal Evaluation Unit, P.O. box 454, 6800 AL Arnhem, the Netherlands) ,  Ducro B.J. (Wageningen University & Research Animal Breeding and Genomics, P.O. box 338, 6700 AH Wageningen, the Netherlands)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 177  ページ： Null  発行年： 2020年 
JST資料番号： T0337A  ISSN： 0168-1699  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： Cow生存は,乳生産,肥沃度,健康および農場管理のような環境因子のような形質を結合する複雑な形質である。この複雑性は,生存を正確に予測することが困難である。これは,この問題に取り組む試みが試みられていない理由であり,この目的のためのアンサンブル法を使用する研究は公表されていない。著者らは,集団法における多重(弱い)法の予測を結合することによって,乳牛の生活における5つの異なるモーメントで予測するとき,第2の泌乳に対する乳牛の生存の予測を改善できるかどうかを調査した。4つのアンサンブル法,すなわち,多数投票規則,多重ロジスティック回帰,ランダムフォレストおよびナイーブBayesを試験した。最良の50%が選択されたシナリオにおいて,精度,再現,バランス精度,曲線下面積(AUC),および生存牛の割合における利得を,アンサンブルモデル性能を評価するために使用した。また,アンサンブルモデル間の相関を計算し,McNemarの試験統計を得た。個々の方法に対するアンサンブル法の性能を比較した。また,連続(0~1)およびバイナリ(0または1)予測結果を用いた場合,性能計量に差異があるかどうかを試験した。一般的に,連続予測出力の使用は,バイナリのものより高い性能計量をもたらした。モデルのAUCは0.561から0.731の範囲であり,一般に,寿命後のモーメントで性能が増加した。精度,AUCおよびバランスした精度値は,少なくとも1つのデータセットでナイーブBayesおよび多重ロジスティック回帰アンサンブルに対して有意に改善したが,性能メトリックは全体的に低いままであった。多重ロジスティック回帰アンサンブル法は,等しいまたはより良い精度,AUC,バランスした精度およびすべてのデータセットで生存する動物の割合をもたらし,5つのモーメントのうち3つで他のアンサンブルと有意に異なっていた。ランダム森林アンサンブル法は,個々の方法よりも,最も有意な改善をもたらした。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 動物 ,  肥沃度 ,  *乳牛 ,  乳汁分泌 ,  多重化 ,  利得 ,  投票 ,  モーメント ,  血中濃度-時間曲線下面積 ,  機械学習
準シソーラス用語： ロジスティック回帰分析 ,  環境因子 ,  ランダムフォレスト ,  バイナリー , 【Automatic Indexing@JST】

著者キーワード (4件)： アンサンブル ,  機械学習 ,  生存 ,  乳牛

分類 (1件)： 牛  (FD02020Y)

タイトルに関連する用語 (4件)： アンサンブル学習 ,  乳牛 ,  生存 ,  予測能力