0
Obgryzanie ogonów jest szkodliwym zachowaniem, które wpływa na dobrostan i zdrowie świń. Wczesne wykrycie zaczątków objawów obgryzania ogonów daje możliwość podjęcia środków zapobiegawczych, a tym samym uniknięcia wystąpienia zdarzenia obgryzania ogonów. Niniejsze badanie miało na celu stworzenie algorytmu uczenia maszynowego do wykrywania w czasie rzeczywistym nadchodzących ognisk obgryzania ogonów, wykorzystując dane dotyczące zachowania żywieniowego zarejestrowane przez elektroniczny podajnik. Zdolności predykcyjne siedmiu algorytmów uczenia maszynowego (uogólniony model liniowy ze stopniową selekcją cech, losowy zbiór, analiza dyskryminacyjna wektorów nośnych z wykorzystaniem jądra funkcji podstawy radialnej, uogólniony model liniowy Bayesa, sieć neuronowa, analiza K-najbliższych sąsiadów i analiza dyskryminacyjna metodą najmniejszych kwadratów) zostały ocenione na podstawie dziennych danych żywieniowych zebranych z 65 kojców pochodzących z dwóch stad świń typu tucz (25-100 kg), w których wystąpiło 27 przypadków obgryzania ogonów. Dane zostały podzielone na dane treningowe i testowe na dwa różne sposoby, losowo dzieląc dane na 75% (zestaw treningowy) i 25% (zestaw testowy) lub losowo wybierając kojce do zestawu testowego. W przypadku pierwszego podziału danych model jest regularnie aktualizowany o poprzednie dane z kojca, podczas gdy w przypadku drugiego podziału danych model próbuje przewidzieć dla kojca, którego nigdy wcześniej nie widział.
Algorytm K-najbliższego sąsiada był w stanie przewidzieć 78% nadchodzących zdarzeń z dokładnością 96%, przewidując zdarzenia w kojcach, dla których miał wcześniejsze dane.
Nasze wyniki wskazują, że modele uczenia maszynowego mogą być rozważane do wdrożenia w systemach automatycznego karmienia w celu przewidywania w czasie rzeczywistym zdarzeń związanych z gryzieniem ogonów.
Ollagnier C, Kasper C, Wallenbeck A, Keeling L, Bee G, Bigdeli SA. PLOS One. 2023. https://doi.org/10.1371/journal.pone.0252002
