Applications of machine learning algorithms for the improvement of breeding programs in the dairy industry
Notice bibliographique
Résumé
In this thesis, Machine Learning (ML) algorithms were applied to improve breeding programs in the dairy industry, with emphasis on two types of traits: conformation and fertility. Firstly, multiple polynomial regression and principal component analyses were used to assess the association of 26 conformation traits with the Pro$ selection index, providing information to guide the dairy industry on which traits are more important from a monetary standpoint and which could likely be removed from genetic evaluation or recording programs. Secondly, a flexible and robust methodology to vectorize any text-based Breeding Protocol Descriptions (BPD) and develop ML classification models to identify Timed Artificial Insemination (TAI) protocols was developed. Timed Artificial Insemination masks an animal’s true fertility performance, reducing the accuracy of genetic evaluations for fertility traits. Mitigating this potential bias is challenging since there is a lack of specificity and uniformity in the recording of BPD by dairy farmers. Correct identification of TAI protocols would open the opportunity for unbiased genetic evaluation of animals based on their natural fertility. Lastly, in a third study, decision tree-based algorithms were applied to correctly determine the outcome of historical insemination records as open, pregnant, or aborted. The current Canadian Data Exchange System currently stores insemination records performed by artificial insemination (AI) technicians, but those do not include the Insemination Outcome (IO), which is recorded on the farmers’ herd management software. Therefore, researchers and geneticists do not have access to IO on a national scale for fertility research and genetic evaluations. Therefore, classification models proposed could have a positive impact on the dairy industry by using high performance predictions of IO to broaden the opportunity for new fertility research and genetic evaluations. Altogether, this thesis leveraged ML algorithms to improve breeding programs in the industry dairy by providing understanding on the monetary importance of individual conformation traits, a robust methodology to identify breedings that used hormonal synchronization protocols, and models to correctly determine the outcome of historical insemination records.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».