Rapid selection of milk mid-infrared spectra for creating a dairy cow population world representative spectral database
Notice bibliographique
Résumé
The advantage of employing mid-infrared spectrometry for milk analysis in breeding lies in its ability to quickly generate millions of records. However, these records may be biased if the calibration process does not account for their spectral variability when constructing the predictive model. Therefore, this study introduces a novel method for developing a world representative spectral database (WRSD) to reduce the risks of spectral extrapolation when predicting dairy traits in new samples. Using a 2-phase selection procedure that is both efficient and minimizes memory usage, we first generate a decomposition matrix via principal component analysis (PCA) on a dataset of 2,324,443 records. The next phase iterates spectral selection based on a location index from PCA scores, calculating spectra occurrence frequency for refined barycenter estimations. The chosen spectra's barycenter closely aligns with the entire dataset, proving the efficacy of using just 3 principal components. Applied to 4 varied datasets totaling over 21 million records, we select 583,440 spectra to represent spectral diversity, with selection rates between 2.00% and 14.88%. This selection illustrates the spectral variability across different dairy populations and data providers. Demonstrated through a hypothetical calibration set of 71 samples, the WRSD's utility for algorithm developers becomes apparent. This calibration set covers between 91.42% and 98.50% of the WRSD variability, except for the Irish dataset (3.50%), indicating a need for additional samples to accurately represent Irish variability and minimize spectral extrapolation. This study offers valuable insights into the representativeness of training sets for capturing spectral variability within targeted dairy populations. Although the current WRSD does not fully encompass global milk spectral diversity, its development underscores the importance of gathering more data and standardizing spectral information across spectrometer brands. Ultimately, the WRSD proves crucial not just for trait prediction but also for identifying abnormal milk samples, also marking a significant relevance in dairy science technology.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».