A comparison of machine learning and logistic regression in modelling the association of body condition score and submission rate.

مقارنة بين التعلم الآلي والانحدار اللوجستي في نمذجة الارتباط بين درجة حالة الجسم ومعدل التقديم.

Clicks: 272
ID: 42142
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #36 of 49 articles by views in preventive veterinary medicine

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
The effect of body condition score (BCS) on reproductive outcomes is complex, dynamic and non-linear with interaction and confounding. The flexibility inherent in machine learning algorithms makes them attractive for analysing complex data. This study was designed to compare the ability of a range of machine learning techniques in estimating the probability of service within 21 days of the planned start of mating. We hypothesised that if there were complex and unknown interactions or non-linearity in the data, some machine learning algorithms would result in superior model performance compared to regression models. For a period of six months from the planned start of calving, BCS was visually assessed once a month for 6127 cows on 8 commercial New Zealand dairy farms by a trained veterinarian using the DairyNZ 10-point range for every cow in the herd. Cow, lactation and reproductive data was extracted from the national herd database. This data was used to predict probability of service within 21 days of planned start of mating (PSM) using mixed multivariable logistic regression and decision tree, k-nearest neighbour, random forest and neural network analysis. Models were adjusted for herd, cow age, breed, days in milk, BCS at calving, BCS change between calving and mating, BCS change after mating, volume adjusted milk protein and fat concentration pre-mating. Models were constructed on a training data set using 10-fold cross validation repeated 10 times and evaluated on a test data set using discrimination and calibration techniques. In all models, days calved at PSM was the most important variable for predicting submission rate, followed by BCS at PSM. Factors associated with an increased probability of insemination were calving at a BCS of 5.0, losing less BCS after calving, having a higher BCS at nadir, losing BCS rapidly after calving, nadir occurring before PSM and calving early. All the models except for the decision tree had an area under the receiver operating characteristic curve (AUC) in the range 0.68-0.73 indicating good overall discriminatory power, but calibration analysis suggested all models were better at predicting cows that got inseminated than correctly identifying animals that did not get inseminated. Overall, the machine learning techniques were no better than a generalised logistic regression model. These results highlight the importance of BCS targets at calving and indicate BCS loss, milk characteristics and days calves may be useful indicators identifying cows at risk of poor reproductive outcomes.
يتسم تأثير درجة حالة الجسم (BCS) على النواتج التناسلية بالتعقيد والديناميكية واللاخطية، مع وجود تفاعلات وعوامل تشويش إحصائي. وتجعل المرونة المتأصلة في خوارزميات التعلم الآلي منها وسيلة جذابة لتحليل البيانات المعقدة. صُممت هذه الدراسة لمقارنة قدرة مجموعة من تقنيات التعلم الآلي على تقدير احتمالية التلقيح خلال 21 يوماً من البداية المخطط لها لموسم التزاوج. وافترضنا أنه في حال وجود تفاعلات معقدة وغير معروفة أو علاقات غير خطية في البيانات، فإن بعض خوارزميات التعلم الآلي ستحقق أداءً متفوقاً مقارنة بنماذج الانحدار. وعلى مدار ستة أشهر من البداية المخطط لها لموسم الولادة، جرى تقييم درجة حالة الجسم بصرياً مرة واحدة شهرياً لـ 6127 بقرة في 8 مزارع ألبان تجارية في نيوزيلندا بواسطة طبيب بيطري مدرب، وذلك باستخدام مقياس DairyNZ المكون من 10 درجات لكل بقرة في القطيع. واستُخرجت بيانات الأبقار، وإدرار الحليب، والبيانات التناسلية من قاعدة البيانات الوطنية للقطيع. واستُخدمت هذه البيانات للتنبؤ باحتمالية التلقيح خلال 21 يوماً من البداية المخطط لها للتزاوج (PSM) باستخدام الانحدار اللوجستي المختلط المتعدد المتغيرات، وشجرة القرار، وخوارزمية الجار الأقرب (k-nearest neighbour)، والغابة العشوائية، وتحليل الشبكات العصبية. وضُبطت النماذج إحصائياً للتحكم في متغيرات: القطيع، وعمر البقرة، والسلالة، وأيام إدرار الحليب، ودرجة حالة الجسم عند الولادة، وتغير درجة حالة الجسم بين الولادة والتزاوج، وتغيرها بعد التزاوج، وتركيز بروتين ودهن الحليب المعدل حسب الحجم قبل التزاوج. بُنيت النماذج على مجموعة بيانات تدريبية باستخدام أسلوب التحقق المتبادل لعشر طيات المكرر 10 مرات، وجرى تقييمها على مجموعة بيانات اختبارية باستخدام تقنيات التمييز والمعايرة. وفي جميع النماذج، كان عدد الأيام منذ الولادة عند البداية المخطط لها للتزاوج هو المتغير الأكثر أهمية للتنبؤ بمعدل التقديم للتلقيح، تليه درجة حالة الجسم عند البداية المخطط لها للتزاوج. وتمثلت العوامل المرتبطة بزيادة احتمالية التلقيح في: الولادة عند درجة حالة جسم تبلغ 5.0، وفقدان قدر أقل من درجة حالة الجسم بعد الولادة، وامتلاك درجة حالة جسم أعلى عند أدنى مستوى، وفقدان درجة حالة الجسم سريعاً بعد الولادة، وبلوغ أدنى مستوى قبل البداية المخطط لها للتزاوج، والولادة المبكرة. أظهرت جميع النماذج، باستثناء شجرة القرار، مساحة تحت منحنى خاصية تشغيل المستقبِل (AUC) تراوحت بين 0.68 و0.73، مما يشير إلى قدرة تمييزية عامة جيدة، إلا أن تحليل المعايرة أشار إلى أن جميع النماذج كانت أفضل في التنبؤ بالأبقار التي لُقحت مقارنة بقدرتها على التحديد الدقيق للحيوانات التي لم تُلقح. وبشكل عام، لم تتفوق تقنيات التعلم الآلي على نموذج الانحدار اللوجستي المعمم. تبرز هذه النتائج أهمية درجات حالة الجسم المستهدفة عند الولادة، وتشير إلى أن فقدان درجة حالة الجسم، وخصائص الحليب، وعدد الأيام منذ الولادة قد تشكل مؤشرات مفيدة لتحديد الأبقار المعرضة لخطر تدني النواتج التناسلية.
Reference Key
bates2019apreventive Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors A J Bates, B Saldias
Are you one of these authors? Claim your profile
Journal preventive veterinary medicine
Year 2019
DOI
S0167-5877(18)30840-7
URL
Keywords Keywords not found

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.