Early prediction of final body weight in Hanwoo steers using machine and deep learning models
Notice bibliographique
Résumé
OBJECTIVE: Accurate early prediction of final body weight (BW) is essential for optimizing feeding strategies and slaughter planning in beef cattle production. This study compared the performance of three machine learning models (k-nearest neighbors, random forest, and eXtreme Gradient Boosting) and one deep learning model (long short-term memory [LSTM]) to forecast the final BW of Hanwoo steers at various time points prior to slaughter. METHODS: A total of 196 Hanwoo steers (7 to 31 months of age) from a commercial farm were utilized. Input data included monthly BW and feed nutrient intake (crude protein, ether extract, neutral detergent fiber, and total digestible nutrients) across three growth stages. Six input configurations (I1-I6) were designed to predict the final BW at 17, 13, 9, 6, 3, and 1 month(s) before slaughter, with a target age of 31 months. The machine and deep learning models were assessed by five-fold cross-validation (training set) and a test set and evaluated via the coefficient of determination (R²) and root mean squared error (RMSE). RESULTS: Among the tested models, the LSTM achieved the highest prediction accuracy across all the configurations. The performance of the LSTM improved as the prediction point approached the target slaughter age: I1 (R² = 0.60, RMSE = 52.80), I2 (0.72, 45.40), I3 (0.76, 40.92), I4 (0.83, 35.84), I5 (0.90, 33.12), and I6 (0.97, 22.62). CONCLUSION: These results demonstrated that LSTM effectively captured temporal dependencies in sequential data, enabling more accurate BW forecasting under commercial conditions. While I6 achieved the highest prediction accuracy, the 3-6 month predictions (I4 and I5) demonstrated reasonably high accuracy, which could provide a practical timeframe for farm-level management and planning. This approach could be used in evidencebased decision-making in Hanwoo production by providing reliable predictions well before slaughter.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».