PSIII-5 Predicting live weight using linear body measurements in growing beef calves
Notice bibliographique
Résumé
Abstract The objective of this study is to investigate how linear body measurements relate to and can be used to predict calf body weight using linear and machine learning models. To meet these objectives, a total of 103 Angus cross calves were enrolled in the study from wk 2 - 8. Calves were weighed and linear measurements were collected weekly, such as: poll to nose, width across the eyes (WE), width across the right ear, neck length, wither height, heart girth (HG), midpiece height (MH), midpiece circumference, midpiece width (MW), midpiece depth (MD), hook height, hook width, pin height, top of pin bones width (PW), width across the ends of pin bones, nose to tail body length, the length between the withers and pins, forearm to hoof, cannon bone to hoof. These measurements were taken using a commercial soft tape measure and calipers. To assess relationships between traits and to fit a model to predict BW, data were analyzed using the Weka (The University of Waikato, New Zealand) software using both linear regression (LR) and random forest (RF) machine learning models. The models were trained using a 10-fold cross-validation approach. The automatically derived LR model used 11 traits to fit the data to weekly BW (r2 = 0.97), where the traits with the highest coefficients were HG, PW and WE. The RF model improved further the BW predictions (r2= 0.98). Additionally, sex differences were examined. Although the BW model continued to fit well (r2 0.97), some of the top linear traits differed. The results of this study suggest that linear models built on linear measurements can accurately estimate body weight in beef calves, and that machine learning can further improve the model fit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».