ترجمه فارسی عنوان مقاله
روش های نوین برای ارزیابی کیفیت داده های باروری ذخیره شده در نرم افزار مدیریت گله های شیری
عنوان انگلیسی
Novel approaches to assess the quality of fertility data stored in dairy herd management software
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
88488 | 2017 | 12 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Journal of Dairy Science, Volume 100, Issue 5, May 2017, Pages 4078-4089
ترجمه کلمات کلیدی
تولید مثل لبنیات، کیفیت داده، نرم افزار مدیریت گله لبنیات، جنگل های تصادفی
کلمات کلیدی انگلیسی
dairy reproduction; data quality; dairy herd management software; random forests;
ترجمه چکیده
مجلات علمی و مجلات مطبوعاتی محبوب با مقالاتی که نویسندگان آنها از داده ها از نرم افزار مدیریت گله لبنی استفاده می کنند، پنهان می شوند. تقریبا هیچ کدام از این مقالات شامل تمیز کردن داده ها و ارزیابی کیفیت داده ها در طراحی مطالعه نیستند، گرچه این مرحله بسیار مهمی در طول معدن داده است. این مقاله 2 روش جدید برای تمیز کردن داده ها ارائه می دهد که می تواند شناسایی حیوانات با کیفیت خوب و بدی را نشان دهد. روش اول، یک روش تمیز کردن داده ها بر اساس قواعد است. تولید مثل و جهش یا رویدادهای زندگی مانند تولد و مرگ به شکل نمادین (نماد حروف الفبا) تبدیل شده و به سه گانه تقسیم می شوند (کد 3 حرف). سه گانه به صورت دستی به صورت فیزیولوژیکی صحیح، مشکوک یا غیرممکن است. روش سنجش داده ها برای سنجش کیفیت داده های ذخیره شده در مدیریت گله های لبنی از 26 مزارع ثبت نام شده در برنامه مدیریت سلامت گله از دانشکده دامپزشکی دانشگاه گنت بلژیک استفاده شد. در مجموع 150،443 سه گانه ایجاد شد، 4/65٪ به عنوان صحیح، 4/17٪ به عنوان مشکوک و 2/17٪ غیرممکن بود. روش دوم، یک روش احتمالاتی، از یک الگوریتم یادگیری ماشین (جنگل های تصادفی) برای پیش بینی صحیح باروری و وقایع جهش در مرحله اولیه تمیز کردن داده استفاده می کند. دقت پیش بینی الگوریتم های جنگل های تصادفی با یک روش آماری خطی کلاسیک (رگرسیون لجستیک مجاز)، با غلبه بر دومی با یک منحنی مشخصه عملیاتی گیرنده و دقت بالاتر (89 در مقابل 72٪) مقایسه شد. از این نتایج می توان نتیجه گرفت که روش سه گانه می تواند برای ارزیابی کیفیت داده های تولید مثل ذخیره شده در نرم افزار مدیریت گله لبنیات استفاده شود و یک روش یادگیری ماشین مانند جنگل های تصادفی قادر به پیش بینی صحیح داده های باروری است.