تشخیص صفت فاصله زایش با استفاده از روشهای درخت تصمیم و ماشین بردار پشتیبان در گاوهای شیری هلشتاین

کاهش خصوصیات تولیدمثلی در گاوهای شیری هلشتاین یک مشکل عمده در رابطه با پرورش گاوهای شیری است. رابطه منفی بین میزان تولید شیر و عملکرد تولید‌مثلی در نژادهای مختلف وجود دارد. با تمرکز بر روی صفات تولیدمثلی مانند صفت فاصله زایش، تولید نیز در نسل‌های بعدی بهبود خواهد یافت. زیرا فاصله زایش یکی از فاکتورهایی است که میزان کارآمدی و کفایت تولیدمثل را نشان می‌دهد. استفاده از الگوریتم‌های هوشمند روش‌های یادگیری ماشین در بررسی سامانه‌های پیچیده رو به افزایش است و این روش‌ها نیز می‌توانند رهیافت مناسبی برای تحلیل داده‌های صنعت گاو شیری به‌حساب آیند. در پژوهش حاضر، بررسی امکان دسته‌بندی فاصله زایش در گاوهای شیری هلشتاین با استفاده از دو روش درخت تصمیم (الگوریتم‌های برجسته، جنگل تصادفی و بیز ساده) و ماشین بردار پشتیبان انجام شد. برای بررسی کارایی روش‌ها، از معیارهای صحت و جذر میانگین مربعات خطا استفاده شد. نتایج حاصل از این پژوهش نشان داد که روش‌های مختلف درخت تصمیم (برجسته) نسبت به روش ماشین بردار پشتیبان عملکرد بالاتری در امکان دسته‌بندی فاصله زایش داشت. سن مادر و تولید شیر، بیشترین ارتباط را با فاصله زایش داشتند. پژوهش حاضر اولین مطالعه با هدف تشخیص فاصله زایش با استفاده از روش‌های درخت تصمیم و ماشین بردار پشتیبان است که ممکن است اطلاعات در جهت درک بیشتر مدیریت فاصله زایش را بهبود دهد. عدم نیاز به برقراری هیچ پیش‌فرضی برای مدل‌سازی و تفسیر آسان نتایج مدل‌های درختی، دو مزیت اساسی آن است که به همین دلیل به‌نظر می‌رسد برای تحقیقات اصلاح نژاد دام مفید باشند.

Detection of Calving interval trait using decision tree and support vector machine methods in Holstein dairy cows

Decreased reproductive traits in cows are a major problem in raising dairy cows. There has been a negative relationship between milk production and reproductive performance in different breeds of dairy cows. By focusing on reproductive traits such as calving interval, production in later generations will be improved. Because calving interval is one of the factors that indicate the efficiency and adequacy of reproduction. Using intellectual algorithms of machine learning methods to investigate complex systems are growing and these algorithms could be assumed as right approach to analysis dairy cattle industry data. In the present work, was carried out to investigate the possibility of calving interval classification in Holstein dairy cattle using two methods of decision tree (algorithms of j48, random forest and Naive Bayes) and support vector machine. Were used accuracy and root mean square error to investigate the efficiency of methods. The results of this study showed that decision tree methods (j48) have a higher performance than support vector machine in classification of as calving interval. Calving age and milk production showed high amount of correlation with calving interval. The present work is the first study to detection of calving interval using decision tree and support vector machine methods that may provide information to greater understanding on calving interval management. Tree models don’t require the establishment of no default for making model and feasibility of tree models results interpretation are two essential beneficiary of these models which for this reason seem to be useful for bovine breeding researches.