Сравнение и ранжирование алгоритмов искусственного интеллекта для прогнозирования веса овец

Том 13 научных отчетов, номер статьи: 13242 (2023) Цитировать эту статью

384 доступа

3 Альтметрика

Подробности о метриках

В быстро меняющемся мире объем данных о фермах растет в геометрической прогрессии. Понимая важность этих данных, исследователи ищут новые решения для анализа этих данных и составления прогнозов по сельскому хозяйству. Искусственный интеллект с его способностью обрабатывать большие данные быстро становится популярным. Кроме того, он также может обрабатывать нелинейные, зашумленные данные и не ограничен условиями, необходимыми для обычного анализа данных. Поэтому это исследование было предпринято для сравнения наиболее популярных алгоритмов машинного обучения (ML) и ранжирования их по способности делать прогнозы на основе данных овцеводческих ферм за 11 лет. Данные были очищены и подготовлены перед анализом. Винсоризация была выполнена для удаления выбросов. Были проведены анализ главных компонентов (PCA) и выбор функций (FS), и на основе этого были созданы три набора данных, а именно. PCA (где использовался только PCA), PCA+ FS (оба метода использовались для уменьшения размерности) и FS (использовался только выбор признаков) прогнозирования веса тела. Среди 11 алгоритмов машинного обучения, которые были оценены, корреляции между истинными и прогнозируемыми значениями для алгоритма MARS, байесовской регрессии гребня, регрессии гребня, машин опорных векторов, алгоритма повышения градиента, случайных лесов, алгоритма XgBoost, искусственных нейронных сетей, деревьев классификации и регрессии, Полиномиальная регрессия, K ближайших соседей и генетические алгоритмы составляли 0,993, 0,992, 0,991, 0,991, 0,991, 0,99, 0,99, 0,984, 0,984, 0,957, 0,949, 0,734 соответственно для массы тела. В пятерку лучших алгоритмов для прогнозирования веса тела вошли MARS, байесовская гребневая регрессия, ридж-регрессия, машины опорных векторов и алгоритм повышения градиента. В настоящем исследовании всего было разработано 12 моделей машинного обучения для прогнозирования массы тела овец. Можно сказать, что методы машинного обучения могут выполнять прогнозы с разумной точностью и, таким образом, могут помочь делать выводы и делать футуристические прогнозы на фермах для их экономического процветания, повышения производительности и, следовательно, продовольственной безопасности.

По прогнозам, к 2050 году население мира увеличится до 9,9 миллиардов человек, а мировой спрос на различные виды мяса и продуктов животного происхождения увеличится более чем на 70% в ближайшие несколько десятилетий1. Поэтому существует острая необходимость увеличить производство продуктов питания к 2050 году за счет интенсификации производства практически на тех же участках земли и при использовании тех же ресурсов. Это также оказывает давление на сектор животноводства, поскольку сейчас существует необходимость производить больше животных, используя ограниченные земельные, водные и все другие природные ресурсы. Это означает, что нам необходимо найти новые и инновационные подходы для производства большего количества продуктов питания, что является огромной проблемой для ученых-зоотехников, несмотря на огромное генетическое богатство2,3. Для решения этой проблемы на животноводческих фермах внедряются новые технологии, которые превращаются из традиционных в высокотехнологичные4. Сельскохозяйственные операции в настоящее время становятся все более автоматизированными, а использование датчиков растет во всех аспектах управления фермой. Это не только сокращает тяжелую и трудоемкую работу, но также приводит к экспоненциальному увеличению объема данных, генерируемых ежедневно. Все это приводит к экспоненциальному увеличению данных о фермах. Традиционные методы и традиционные стратегии не вполне справляются с этими огромными данными, что приводит к тенденции к снижению производства, особенно в развивающихся странах5,6,7,8,9,10.

Поскольку искусственный интеллект существенно трансформирует все отрасли, он предлагает решения аналитических проблем животноводства и ветеринарии11. Это поможет доказать многие аспекты управления фермерским хозяйством, которые важны для снижения смертности и повышения производительности12. Они не могут просто эффективно обрабатывать данные, но также могут делать выводы, которые до сих пор были неизвестны, поскольку методы МО обладают возможностями, которых нет в традиционных методах. Толерантность к моделированию таких методов значительно выше, чем у статистических методологий. Это связано с тем, что в ML нет необходимости в проверке предположений или гипотез. Кроме того, преимущества машинного обучения включают возможность обработки нелинейных, неточных и зашумленных данных. Все это делает эту область науки гораздо более гибкой, чем традиционные статистические модели.