Machine learning algorithms can predict tail biting outbreaks in pigs using feeding behaviour records
Notice bibliographique
Résumé
Tail biting is a damaging behaviour that impacts the welfare and health of pigs. Early detection of precursor signs of tail biting provides the opportunity to take preventive measures, thus avoiding the occurrence of the tail biting event. This study aimed to build a machine-learning algorithm for real-time detection of upcoming tail biting outbreaks, using feeding behaviour data recorded by an electronic feeder. Prediction capacities of seven machine learning algorithms (Generalized Linear Model with Stepwise Feature Selection, random forest, Support Vector Machines with Radial Basis Function Kernel, Bayesian Generalized Linear Model, Neural network, K-nearest neighbour, and Partial Least Squares Discriminant Analysis) were evaluated from daily feeding data collected from 65 pens originating from two herds of grower-finisher pigs (25-100kg), in which 27 tail biting events occurred. Data were divided into training and testing data in two different ways, either by randomly splitting data into 75% (training set) and 25% (testing set), or by randomly selecting pens to constitute the testing set. In the first data splitting, the model is regularly updated with previous data from the pen, whereas in the second data splitting, the model tries to predict for a pen that it has never seen before. The K-nearest neighbour algorithm was able to predict 78% of the upcoming events with an accuracy of 96%, when predicting events in pens for which it had previous data. Our results indicate that machine learning models can be considered for implementation into automatic feeder systems for real-time prediction of tail biting events.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».