An initial investigation into the use of machine learning methods for prediction of carcass component yields in F2 broiler chickens
Notice bibliographique
Résumé
Context As evaluation of carcass components is costly and time consuming, models for prediction of broiler carcass components are useful. Aims The aim was to investigate the feasibility of machine learning methods in the prediction of carcass components from measurements on live birds during the rearing period. Methods Three machine learning methods, including regression tree, random forest and gradient-boosting trees, were applied to predict carcass yields, and benchmarked against classical linear regression. Two scenarios were defined for prediction. In the first scenario, carcass yields were predicted by live bodyweight, shank length and shank diameter features, recorded at 2, 3 and 4 weeks of age. In the second scenario, predictor features recorded at 5, 6 and 7 weeks of age were used. The two scenarios were reanalysed by including effective single-nucleotide polymorphisms associated with bodyweight, shank length and shank diameter as new predictor features. Key results The correlation coefficient between predicted and observed values for predicting weight of carcass traits ranged from 0.50 for wing to 0.59 for thigh in the first scenario, and from 0.63 for wing to 0.74 for carcass in the second scenario. These predictions for the percentage of carcass components ranged from 0.30 for wing to 0.39 for carcass and breast in the first scenario, and from 0.34 for thigh to 0.43 for carcass in the second scenario when random forest was used. Conclusions Predictive accuracy in the first scenario was lower than in the second scenario for all prediction methods. Including single-nucleotide polymorphisms as predictor features in either scenario did not increase the accuracy of the prediction. Implications In general, random forest had the best performance among machine learning methods, and classical linear regression in two scenarios, suggesting that it may be considered as an alternative to conventional linear models for prediction of carcass traits in broiler chickens.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».