schliessen

Filtern

 

Bibliotheken

Use of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.(Report)

The aim of the present study was to illustrate the predictive performance of random forest (RF) used for dystocia detection in dairy cattle. A total of 1,342 and 1,699 calving records of Polish Holstein-Friesian Black-and-White heifers and cows were used. Five or ten predictor variables were include... Full description

Journal Title: Landbauforschung 2017, Vol.67(3-4), p.147(7)
Main Author: Zaborski, Daniel
Other Authors: Proskura, Witold S. , Grzesiak, Wilhelm , Szatkowska, Iwona , Jedrzejczak-Silicka, Magdalena
Format: Electronic Article Electronic Article
Language: ger
Subjects:
Quelle: Cengage Learning, Inc.
ID: ISSN: 2194-3605 ; DOI: 10.3220/LBF1515508151000
Zum Text:
SendSend as email Add to Book BagAdd to Book Bag
Staff View
recordid: gale_ofa533244711
title: Use of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.(Report)
format: Article
creator:
  • Zaborski, Daniel
  • Proskura, Witold S.
  • Grzesiak, Wilhelm
  • Szatkowska, Iwona
  • Jedrzejczak-Silicka, Magdalena
subjects:
  • Dairy Cattle – Health Aspects
  • Dairy Cattle – Models
  • Mathematical Models – Usage
  • Dystocia – Diagnosis
  • Dystocia – Models
  • Cattle Diseases – Diagnosis
  • Cattle Diseases – Models
ispartof: Landbauforschung, 2017, Vol.67(3-4), p.147(7)
description: The aim of the present study was to illustrate the predictive performance of random forest (RF) used for dystocia detection in dairy cattle. A total of 1,342 and 1,699 calving records of Polish Holstein-Friesian Black-and-White heifers and cows were used. Five or ten predictor variables were included in the RF models for heifers and cows, respectively. The output variable was calving class. The proportion of correctly detected easy, moderate and difficult calving events in heifers on the independent test set was 39.64 %, 57.39 % and 83.64 %, respectively. The total accuracy was recorded as 60.12 %. The corresponding values for cows were 69.39 %, 67.61 %, 0 % and 66.04 %. The most significant predictors for heifers were sire's rank and calving age, whereas those for cows additionally included: daily milk yield for the preceding lactation and the length of calving interval. The RF model developed in the present study was characterized by a high percentage of correctly diagnosed difficult calving events in heifers. However, it was completely unable to correctly detect dystocia in cows. The use of more influential predictor variables for cows in future research is especially important. Keywords: data mining, calving, dairy cow, dairy heifer, detection, gains chart Ziel der Arbeit war, die Vorhersageleistung des Random Forest Klassifikationsverfahrens (RF) zur Erkennung der Dystokie beim Milchvieh darzustellen. Zu diesem Zweck wurden entsprechend 1342 und 1699 Aufzeichnungen uber das Abkalben von Farsen und Kuhen der polnischen, schwarzweissen Holstein-Friesian Rasse ausgewertet. In den RFModellen fur Farsen und Kuhe wurden entsprechend funf bzw. zehn Pradiktoren berucksichtigt. Die Ausgangsvariable war die Klasse des Abkalbens. Das Verhaltnis der erkannten leichten, moderaten und komplizierten Kalbungen von Farsen betrug beim unabhangigen Test-Set entsprechend 39,64 %, 57,39 % und 83,64 %. Die allgemeine Treffgenauigkeit erzielte den Wert von 60,12 %. Die entsprechenden Werte fur Kuhe waren 69,39 %, 67,61 %, 0 % und 66,04 %. Die am meisten signifikanten Pradiktoren fur das Abkalben der Farsen waren: die Klasse der Bullen und das Alter des Abkalbens. Dagegen umfassten die wichtigsten Pradiktoren beim Abkalben von Kuhen zusatzlich die taglichen Milchertrag in der vorherigen Laktation und das Intervall zwischen den Kalbungen. Das eingesetzte RF-Modell zeichnete sich durch einen hohen Prozentsatz korrekt diagnostizierter komplizierter Kalbungen bei Farsen aus. Jed
language: ger
source: Cengage Learning, Inc.
identifier: ISSN: 2194-3605 ; DOI: 10.3220/LBF1515508151000
fulltext: fulltext
issn:
  • 2194-3605
  • 21943605
url: Link


@attributes
ID1541031068
RANK0.07
NO1
SEARCH_ENGINEprimo_central_multiple_fe
SEARCH_ENGINE_TYPEPrimo Central Search Engine
LOCALfalse
PrimoNMBib
record
control
sourcerecordid533244711
sourceidgale_ofa
recordidTN_gale_ofa533244711
sourceformatXML
sourcesystemOther
galeid533244711
display
typearticle
titleUse of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.(Report)
creatorZaborski, Daniel ; Proskura, Witold S. ; Grzesiak, Wilhelm ; Szatkowska, Iwona ; Jedrzejczak-Silicka, Magdalena
ispartofLandbauforschung, 2017, Vol.67(3-4), p.147(7)
identifierISSN: 2194-3605 ; DOI: 10.3220/LBF1515508151000
subjectDairy Cattle – Health Aspects ; Dairy Cattle – Models ; Mathematical Models – Usage ; Dystocia – Diagnosis ; Dystocia – Models ; Cattle Diseases – Diagnosis ; Cattle Diseases – Models
descriptionThe aim of the present study was to illustrate the predictive performance of random forest (RF) used for dystocia detection in dairy cattle. A total of 1,342 and 1,699 calving records of Polish Holstein-Friesian Black-and-White heifers and cows were used. Five or ten predictor variables were included in the RF models for heifers and cows, respectively. The output variable was calving class. The proportion of correctly detected easy, moderate and difficult calving events in heifers on the independent test set was 39.64 %, 57.39 % and 83.64 %, respectively. The total accuracy was recorded as 60.12 %. The corresponding values for cows were 69.39 %, 67.61 %, 0 % and 66.04 %. The most significant predictors for heifers were sire's rank and calving age, whereas those for cows additionally included: daily milk yield for the preceding lactation and the length of calving interval. The RF model developed in the present study was characterized by a high percentage of correctly diagnosed difficult calving events in heifers. However, it was completely unable to correctly detect dystocia in cows. The use of more influential predictor variables for cows in future research is especially important. Keywords: data mining, calving, dairy cow, dairy heifer, detection, gains chart Ziel der Arbeit war, die Vorhersageleistung des Random Forest Klassifikationsverfahrens (RF) zur Erkennung der Dystokie beim Milchvieh darzustellen. Zu diesem Zweck wurden entsprechend 1342 und 1699 Aufzeichnungen uber das Abkalben von Farsen und Kuhen der polnischen, schwarzweissen Holstein-Friesian Rasse ausgewertet. In den RFModellen fur Farsen und Kuhe wurden entsprechend funf bzw. zehn Pradiktoren berucksichtigt. Die Ausgangsvariable war die Klasse des Abkalbens. Das Verhaltnis der erkannten leichten, moderaten und komplizierten Kalbungen von Farsen betrug beim unabhangigen Test-Set entsprechend 39,64 %, 57,39 % und 83,64 %. Die allgemeine Treffgenauigkeit erzielte den Wert von 60,12 %. Die entsprechenden Werte fur Kuhe waren 69,39 %, 67,61 %, 0 % und 66,04 %. Die am meisten signifikanten Pradiktoren fur das Abkalben der Farsen waren: die Klasse der Bullen und das Alter des Abkalbens. Dagegen umfassten die wichtigsten Pradiktoren beim Abkalben von Kuhen zusatzlich die taglichen Milchertrag in der vorherigen Laktation und das Intervall zwischen den Kalbungen. Das eingesetzte RF-Modell zeichnete sich durch einen hohen Prozentsatz korrekt diagnostizierter komplizierter Kalbungen bei Farsen aus. Jedoch war dieses Modell vollig ungeeignet, Dystokie bei Kuhen zu erkennen. Die Nutzung einflussreicherer Pradiktoren fur Kuhe ist besonders wichtig fur zukunftige Forschung. Schlusselworte: Data-Mining, Abkalben, Milchkuh, Milchfarse, Detektion, Gewinndiagramm
languageger
sourceCengage Learning, Inc.
lds50peer_reviewed
links
openurl$$Topenurl_article
openurlfulltext$$Topenurlfull_article
search
scope
0gale_onefilea
1OneFile
creatorcontrib
0Zaborski, Daniel
1Proskura, Witold S
2Grzesiak, Wilhelm
3Szatkowska, Iwona
4Jedrzejczak-Silicka, Magdalena
titleUse of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.(Report)
descriptionThe aim of the present study was to illustrate the predictive performance of random forest (RF) used for dystocia detection in dairy cattle. A total of 1,342 and 1,699 calving records of Polish Holstein-Friesian Black-and-White heifers and cows were used. Five or ten predictor variables were included in the RF models for heifers and cows, respectively. The output variable was calving class. The proportion of correctly detected easy, moderate and difficult calving events in heifers on the independent test set was 39.64 %, 57.39 % and 83.64 %, respectively. The total accuracy was recorded as 60.12 %. The corresponding values for cows were 69.39 %, 67.61 %, 0 % and 66.04 %. The most significant predictors for heifers were sire's rank and calving age, whereas those for cows additionally included: daily milk yield for the preceding lactation and the length of calving interval. The RF model developed in the present study was characterized by a high percentage of correctly diagnosed difficult calving events in heifers. However, it was completely unable to correctly detect dystocia in cows. The use of more influential predictor variables for cows in future research is especially important. Keywords: data mining, calving, dairy cow, dairy heifer, detection, gains chart Ziel der Arbeit war, die Vorhersageleistung des Random Forest Klassifikationsverfahrens (RF) zur Erkennung der Dystokie beim Milchvieh darzustellen. Zu diesem Zweck wurden entsprechend 1342 und 1699 Aufzeichnungen uber das Abkalben von Farsen und Kuhen der polnischen, schwarzweissen Holstein-Friesian Rasse ausgewertet. In den RFModellen fur Farsen und Kuhe wurden entsprechend funf bzw. zehn Pradiktoren berucksichtigt. Die Ausgangsvariable war die Klasse des Abkalbens. Das Verhaltnis der erkannten leichten, moderaten und komplizierten Kalbungen von Farsen betrug beim unabhangigen Test-Set entsprechend 39,64 %, 57,39 % und 83,64 %. Die allgemeine Treffgenauigkeit erzielte den Wert von 60,12 %. Die entsprechenden Werte fur Kuhe waren 69,39 %, 67,61 %, 0 % und 66,04 %. Die am meisten signifikanten Pradiktoren fur das Abkalben der Farsen waren: die Klasse der Bullen und das Alter des Abkalbens. Dagegen umfassten die wichtigsten Pradiktoren beim Abkalben von Kuhen zusatzlich die taglichen Milchertrag in der vorherigen Laktation und das Intervall zwischen den Kalbungen. Das eingesetzte RF-Modell zeichnete sich durch einen hohen Prozentsatz korrekt diagnostizierter komplizierter Kalbungen bei Farsen aus. Jedoch war dieses Modell vollig ungeeignet, Dystokie bei Kuhen zu erkennen. Die Nutzung einflussreicherer Pradiktoren fur Kuhe ist besonders wichtig fur zukunftige Forschung. Schlusselworte: Data-Mining, Abkalben, Milchkuh, Milchfarse, Detektion, Gewinndiagramm
subject
0Dairy cattle–Health aspects
1Dairy cattle–Models
2Mathematical models–Usage
3Dystocia–Diagnosis
4Dystocia–Models
5Cattle diseases–Diagnosis
6Cattle diseases–Models
70241
8Dairy farms
9Dairy Cattle and Milk Production
10112120
general
010.3220/LBF1515508151000
1German
2Johann Heinrich von Thuenen-Institut - Bundesinstitut fuer Laendliche Raeume, Wald und Fischerei
3Cengage Learning, Inc.
sourceidgale_ofa
recordidgale_ofa533244711
issn
02194-3605
121943605
rsrctypearticle
creationdate2017
startdate20171201
enddate20171201
recordtypearticle
addtitleLandbauforschung
searchscopeOneFile
citationpf 147 vol 67 issue 3-4
lsr30VSR-Enriched:[galeid, pages, issn]
sort
titleUse of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.(Report)
authorZaborski, Daniel ; Proskura, Witold S. ; Grzesiak, Wilhelm ; Szatkowska, Iwona ; Jedrzejczak-Silicka, Magdalena
creationdate20171201
lso0120171201
facets
frbrgroupid2730084695189572349
frbrtype5
newrecords20180410
languageger
creationdate2017
topic
0Dairy Cattle–Health Aspects
1Dairy Cattle–Models
2Mathematical Models–Usage
3Dystocia–Diagnosis
4Dystocia–Models
5Cattle Diseases–Diagnosis
6Cattle Diseases–Models
collectionOneFile (GALE)
prefilterarticles
rsrctypearticles
creatorcontrib
0Zaborski, Daniel
1Proskura, Witold S.
2Grzesiak, Wilhelm
3Szatkowska, Iwona
4Jedrzejczak-Silicka, Magdalena
jtitleLandbauforschung
toplevelpeer_reviewed
delivery
delcategoryRemote Search Resource
fulltextfulltext
addata
aulast
0Zaborski
1Proskura
2Grzesiak
3Szatkowska
4Jedrzejczak-Silicka
aufirst
0Daniel
1Witold S.
2Wilhelm
3Iwona
4Magdalena
au
0Zaborski, Daniel
1Proskura, Witold S.
2Grzesiak, Wilhelm
3Szatkowska, Iwona
4Jedrzejczak-Silicka, Magdalena
atitleUse of random forest for dystocia detection in dairy cattle/Nutzung von Random Forest zur Detektion der Dystokie bei Milchvieh.
jtitleLandbauforschung
risdate20171201
volume67
issue3-4
spage147
issn
02194-3605
104586859
formatjournal
genrearticle
ristypeJOUR
abstractThe aim of the present study was to illustrate the predictive performance of random forest (RF) used for dystocia detection in dairy cattle. A total of 1,342 and 1,699 calving records of Polish Holstein-Friesian Black-and-White heifers and cows were used. Five or ten predictor variables were included in the RF models for heifers and cows, respectively. The output variable was calving class. The proportion of correctly detected easy, moderate and difficult calving events in heifers on the independent test set was 39.64 %, 57.39 % and 83.64 %, respectively. The total accuracy was recorded as 60.12 %. The corresponding values for cows were 69.39 %, 67.61 %, 0 % and 66.04 %. The most significant predictors for heifers were sire's rank and calving age, whereas those for cows additionally included: daily milk yield for the preceding lactation and the length of calving interval. The RF model developed in the present study was characterized by a high percentage of correctly diagnosed difficult calving events in heifers. However, it was completely unable to correctly detect dystocia in cows. The use of more influential predictor variables for cows in future research is especially important. Keywords: data mining, calving, dairy cow, dairy heifer, detection, gains chart Ziel der Arbeit war, die Vorhersageleistung des Random Forest Klassifikationsverfahrens (RF) zur Erkennung der Dystokie beim Milchvieh darzustellen. Zu diesem Zweck wurden entsprechend 1342 und 1699 Aufzeichnungen uber das Abkalben von Farsen und Kuhen der polnischen, schwarzweissen Holstein-Friesian Rasse ausgewertet. In den RFModellen fur Farsen und Kuhe wurden entsprechend funf bzw. zehn Pradiktoren berucksichtigt. Die Ausgangsvariable war die Klasse des Abkalbens. Das Verhaltnis der erkannten leichten, moderaten und komplizierten Kalbungen von Farsen betrug beim unabhangigen Test-Set entsprechend 39,64 %, 57,39 % und 83,64 %. Die allgemeine Treffgenauigkeit erzielte den Wert von 60,12 %. Die entsprechenden Werte fur Kuhe waren 69,39 %, 67,61 %, 0 % und 66,04 %. Die am meisten signifikanten Pradiktoren fur das Abkalben der Farsen waren: die Klasse der Bullen und das Alter des Abkalbens. Dagegen umfassten die wichtigsten Pradiktoren beim Abkalben von Kuhen zusatzlich die taglichen Milchertrag in der vorherigen Laktation und das Intervall zwischen den Kalbungen. Das eingesetzte RF-Modell zeichnete sich durch einen hohen Prozentsatz korrekt diagnostizierter komplizierter Kalbungen bei Farsen aus. Jedoch war dieses Modell vollig ungeeignet, Dystokie bei Kuhen zu erkennen. Die Nutzung einflussreicherer Pradiktoren fur Kuhe ist besonders wichtig fur zukunftige Forschung. Schlusselworte: Data-Mining, Abkalben, Milchkuh, Milchfarse, Detektion, Gewinndiagramm
pubJohann Heinrich von Thuenen-Institut - Bundesinstitut fuer Laendliche Raeume, Wald und Fischerei
doi10.3220/LBF1515508151000
lad01gale_ofa
pages147-153
date2017-12-01