Machine-learning assisted development of a knowledge-based system in dairy farming
Notice bibliographique
Résumé
The goal of this research was to explore the use of machine learning to assist in the development of knowledge-based systems (KBS) in dairy farming. A framework was first developed which described the various types of management and control activities in dairy farming and the types of information flows among these activities. This framework provided a basis for the creation of computerized information systems and helped to identify the analysis of group-average lactation curves as a promising area of application. A case-acquisition and decision-support system was developed to assist a domain specialist in generating example cases for machine learning. The specialist classified data from 33 herds enrolled with the Quebec dairy herd analysis service, resulting in 1428 lactations and 7684 tests of individual cows, classified as outlier or non-outlier, and 99 interpretations of group-average lactation curves. To enable the performance analysis of classifiers, generated with machine learning from these small data sets, a method was established involving cross-validation runs, relative operating characteristic curves, and analysis of variance. In experiments to filter lactations and tests, classification performance was significantly affected by preprocessing of examples, creation of additional attributes, choice of machine-learning algorithm, and algorithm configuration. For the filtering of individual tests, naive-Bayes classification showed significantly better performance than decision-tree induction. However, the specialist considered the decision trees as more transparent than the knowledge generated with naive Bayes. The creation of a series of three classifiers with increased sensitivity at the expense of reduced specificity per classification task, allows users of a final KBS to choose the desired tendency of classifying new cases as abnormal. For the main interpretation tasks, satisfactory performance was achieved. For the filtering tasks, performance was fai
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».