利用机器学习算法对游牧羊群的最终体重进行早期预测

《Tropical Animal Health and Production》：Early prediction of final weight in nomadic sheep flocks using machine learning algorithms

机器学习算法在游牧羊群体重预测中的应用研究，采用1379只Güney Karaman羊的动物记录（出生日期、父母年龄、性别等）和气象数据（降水、温湿指数等），对比单决策树与集成模型（随机森林、极端梯度提升等）的预测性能，结果显示集成模型在R2（0.86）、MSE（2.17）等指标上显著优于单决策树（R2 0.77），证实多模型集成可有效提升早期体重预测精度，为游牧管理决策提供数据支持。

　　

摘要

本研究探讨了在游牧羊群中应用机器学习算法的方法。为此，研究人员使用了共计1,379只Güney Karaman羊（这种羊品种深受游牧民族喜爱），来开发一个用于预测羊最终体重的模型。作为目标变量，研究人员采用了动物的相关记录（如出生日期、母羊分娩时的年龄、公羊授精时的年龄、性别、出生方式以及出生时和断奶时的体重），同时还考虑了气象数据（如降水量、露点、风速和温度湿度指数（THI）。所选择的机器学习模型包括单决策树（DT）以及由多棵决策树组成的集成学习器，具体包括随机森林（RF）、Extra Tree回归器（ERT）和极端梯度提升（XGB）。这些模型的评估指标包括决定系数（R2）、调整后的决定系数（R2?）、相对绝对误差（RAE）、变异系数（CV）、均方误差（MSE）、均方根误差（RRMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。结果显示，集成学习器的预测性能较为出色：在所有评估指标中，其最低R2值为0.86，最低R2?值为0.86，最大MSE为2.17，最大RRMSE为5.17，最大MAE为1.02，最大MAPE为3.66，最大RAE为0.33，最大CV为5.17，明显优于单决策树（R2=0.77，R2?=0.77，MSE=3.56，RRMSE=6.62，MAE=1.33，MAPE=4.73，RAE=0.43，CV=6.62）。研究表明，基于动物记录和气象数据训练的集成机器学习算法可以有效地用于游牧管理系统中羊的体重预测。这种方法为游牧民族在规划和决策过程中提供了宝贵的参考信息。