Prediction of Pellet Durability Index in a commercial feed mill using multiple linear regression with variable selection and dimensionality reduction
Notice bibliographique
Résumé
Pellet quality, measured as the Pellet Durability Index (PDI), is an important key performance indicator for commercial feed manufacturing, as it can impact both mill efficiency and downstream performance of animals fed the manufactured diets. However, it is an ongoing challenge for the feed industry to control pellet quality, due to the complexity of feed manufacturing and the large number of variables influencing the process. Previous studies have explored the prediction of pellet quality using either simple empirical models with a few variables or machine learning models with many variables. The objective of the current study was to develop statistical regression models to predict PDI and to describe the relationship between pellet quality and 55 available variables based on a dataset with 2691 observations collected from a commercial feed mill. In the current study, the response variable (PDI) was transformed using the Box-Cox approach into the transformed response variable (tPDI), which was more normally distributed. Three multiple regression models were developed based on subsets of variables processed by variable selection and dimensionality reduction methods: Forward Selection, Principal Component Analysis, and Partial Least Squares. The results indicated that Model 1 (Forward Selection with manual removal of sparse variables), built on 9 variables, performed better than the other 2 models. It exhibited consistent model prediction performance on the training data and testing data, in terms of mean absolute error (1.93 ± 0.063 vs. 1.96), RMSPE (2.45 ± 0.079 vs. 2.45), and concordance correlation coefficient (0.549 ± 0.0273 vs. 0.550), with a better prediction precision based on the fit plot. Expanding Temperature (°C), Fat Content (%), ADF Content (%), and Indoor Humidity (Pelletizer) (%) were identified as more influential than other variables on the transformed response variable (tPDI) in Model 1, based on a behavior analysis. The models developed in the current study can be helpful to feed mills for predicting and comprehending the effect of a number of commonly measured variables on pellet quality in the commercial setting.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 ».