738742_zh-CN

liliconcom

使用肉鸡健康、压力和腿部健康参数预测（BCO）跛足的模型 (2023-EU-PO-1342)

摘要应激和跛行会对动物的健康、生产和福利产生负面影响。测量了以下生理和非侵入性应激和跛行指标：核心体温、血清和羽毛中的皮质酮 (CORT) 浓度、通过红外热成像 (IRT) 测量的头部（眼和喙）和腿部（飞节、小腿和脚）区域的表面温度、腿部血液和氧饱和度（腿部 O ₂ ）。 使用 JMP Pro 17 模型筛选平台对 256 只研究鸟的二元响应变量（Lame=1）拟合了几个参数和机器学习模型，这些模型针对上述​​九种健康和压力指标。 我们选择了 K 折交叉验证，K=5，并重复该过程两次（N 次试验折数=10）。 最佳模型是神经增强模型（平均 AUC=.985，50 只验证鸟的误分类率为 0）和广义回归套索模型（平均 AUC=.975，50 只验证鸟的误分类率为 3）。逐步逻辑回归和最有趣的解释 BCO 模型只需要九个指标中的七个，并且总体拟合性能与其他两个模型相似。 两种 REG 模型“都具有显著的预测效应”，并且在应用模型比较对它们进行进一步比较时发现它们彼此之间并不显著（比较它们的 AUC）。

你好， 每个人， 和 欢迎 到 我们的 推介会。 我的 姓名 是 博士 安迪·毛罗穆斯塔科斯。 我是 a 教授 在 这 农业 统计数据 实验室 在 这 大学 的 阿肯色州。 我的 共同 主持人 是 博士 肖娜 魏默 . 她是一个 助理 教授 在 家禽 科学 部门 在 这 大学 的 阿肯色州, 和 她是 这 动物 福利 主席 在 这 大学。

是 去 到 讲话 到 你 今天 关于 预测 模型 为了 BCO 跛足 使用 健康 和 压力 和 腿 健康 参数 在 肉鸡。 我们的 推介会 是 去 到 是 短的。 是 去 到 讨论 这 模型 那 我们 是 配件， 这 冠军 模型， 这 一 那 他们 得到 这 獎牌。 是 去 到 评价 他们， 和 是 去 到 有 一些 结论 在 这 结尾。 肖娜？

全部 正确的。 这 学习 比较的 生理 和 非侵入性 措施 的 压力 和 跛足 在 临床上 健康 和 BCO— 或者 b 细菌性软骨坏死伴有骨髓炎 肉鸡。 BCO 是 a 领导 原因 的 传染性 跛足 在 肉鸡 鸡， 和 群 诊断 要求 安乐死。 因此， 有 a 需要 为了 技术 创新 到 探测 健康 和 跛足 地位 在 动物 到 项目 这 疾病 可能性 事先的 到 临床 发病。

在 这 学习， 鸟类 是 提出 在 分离 环境的 会议厅 和 任何一个 木头 刨花 在 这 地面， 或者 这 垃圾， 和 a 金属丝 地板 模型 那 是 已验证 到 诱导 BCO 跛足。 九 非侵入性 措施 的 压力 和 跛足 是 集 从 256 鸟类， 男性 肉鸡， 超过 一些 几周， 哪个 包括 核 身体 温度， 压力 激素， 表面 温度 的 这 头， 这 眼睛， 和 这 喙， 和 这 腿， 这 飞节， 这 小腿， 和 这 脚， 和 红外线的 热成像。 腿 血 氧 饱和 曾是 还 测量 和 a 脉冲 血氧仪。

的 这些 措施， 两个我们 寻求 到 证实。 这 第一的 曾是 萃取 的 皮质酮 从 这 羽毛。 皮质酮是 这 主要的 基本的 压力 激素， 和 这 金子 标准 为了 措施 是 血 血清 浓度， 哪个 需要 这 捕获 和 克制 的 这 鸟 到 收集 它。 所以 如果 羽毛 皮质酮 可以 是 已验证， 然后 我们 可以 简单地 夹子 a 羽毛 和 不是 放 这 鸟 通过 那 压力 的 克制 和 血 画。

这 第二 曾是 这 热的 图片， 的 哪个 每个 像素 有 它是 自己的 温度 已录制 和 能 是 用过的 到 量化 外部的 更改 在 皮肤 温度 有关的 到 血 流动， 奉献 a 非侵入性 工具 到 措施 健康 和 福利。 期间 压力， 外围设备 血 是 分流 到 这 核， 和 我们 预期的 这 平均的 像素 的 这 眼睛 和 这 喙， 或者 平均 和 巴夫格， 到 是 降低 在 瘸 比 声音 鸟类， 哪个 我们 相关的 和 这 血清 皮质酮。

为了 这 热的 图片 的 这 腿， 我们 预期的 这 平均的 像素 温度 的 这 霍克， 这 小腿， 和 这 脚 到 是 降低 在 这 瘸 鸟类， 两个都 为了 这 压力 原因 和 还 为了 这 殖民化 的 这 细菌 那 放慢 这 血 流动， 哪个 我们 相关的 和 这 腿 血 氧 饱和。 那里 是 标记 差异 之间 瘸 和 声音 鸟类。

我们的 目标 是 到 确认 哪个 的 这些 九 健康 和 压力 指标 是 重要的 为了 跛足。 我们 想 到 建造 模型， 两个都 为了 预言 目的， 但 我们 是 在 农业， 和 我们 喜欢 到 发布 文件 那 尝试 到 解释 如何 我们的 输入 受到影响 这 回复。 我们 是 希望 那 一些 的 这 模型， 这 传统的 回归 模型， 将要 做 相当 出色地 和 我们 能 解释 那些。

在 我们的 方法， 我们 谈论 关于… 它是 a 均衡 学习。 它是 a 配对实验 在哪里 每一个 时间 a 声音 鸟 是 观察到， a 瘸 鸟 是 还 观察到 在 这 相同的 指 标。 我们 有 一个 发病率 的 a 疾病 的 0.5。 是 去 到 拿 优势 的 这 模型 筛查 平台 的 跳转 专业版 17. 是 去 到 选择 这 瘸 那 有 值 1 和 0 绝对的。 1 支架 为了， 是的， 它是 蹩脚的。0 是 这 声音 .

我们 有 我们的 九 预测变量 在 这里。 是 去 到 做 这 默认值。 是 去 到 适合所有 的 这 机器 学习 模型， 那 他们 是 检查。 是 去 到 选择 叉 验证。 是 去 到 有 5倍 叉 验证。 和 我们的 近似 250 鸟类， 是 去 到 有 关于 50 鸟类 每 折叠， 和 是 去 到 重复 它 两次。 我们 已选择 这 随机的 种子 所以 我们 能 复制 这 结果。 注意 那 I 做过 不是 添加 这 二次函数 条款 和 相互作用 条款 到 希望 有 更轻松 解释。

什么时候 我们 选择 这， 和 我们 点击 " 跑步 ” 跳转 需要 关于 a 分钟。我 t 的 去 到 来 向上 和 这 排行 的 这 模型 那 我们 有 合身。 这 是 什么 我们 称呼 这 开始 的 这 结尾。 我们 有 10 不同的 数据 套 那 我们 有 尝试过了。 这 是 这 平均的 合身 标准， 更高 这 遥感 平方，和 是 这 排行 这 最好的， 第二 最好的， 第三 最好的。

希望 为了 我们， 我们 预期的 那 这 神经增强 模型 可能 做 a 小的 少量 更好的 比 这 传统的 回归 模型， 这样的 作为 这 受罚 回归 和 这 物流 回归 模型， 但 我们 是 快乐的 到 看 那 这些 是 我们的 关闭 第二。

如果 我们 通缉 到 看 如何 我们的 最好的 模型 做过， 是 去 到 去 和 看 那 这 最好的 模型- 这 神经增强， 那 是 这 最好的 模型 为了 预测 目的 -有 a 错误分类 的 0. 你 能 看 这里 两个都 在 这 训练 和 这 验证 那 我们的 接收者 操作 特征 曲线 达到 非常 很快 这 1 和 住在 1、 哪个 是 极其 好的。 我们 看 这 困惑 指标 那 出去 的 这 49 鸟类， 是 不是 真的 错误分类 任何 的 他们，所以 这 是 a 非常 好的 模型 和 a 非常 高的 广义的 遥感 为什么？ 和 全部 的 这 其他 合身 标准 那 是 制作 在 这里。

但 我们 是 更多的 感兴趣的 在 这 回归 类型 模型。 这 回归 类型 的 模型， 这 广义 回归， 我们 能 看 那 什么时候 我们 使用 套索 作为 这 估计 方法， 这 模型 包括 全部 的 这 变量， 和 我们 有 夫妻 的 非 -重要的 变量 在 这 模型 在 这里。 我们 能 看 这些 非 -重要的 因素， 这样的 作为 这 FCORT， 你 能 看 它 那 它是 不是 穿越 这 水平的 线。 你 能 看 那 这 年 平均的 是 不是 重要的， 但 是 包括。 我们 能 看 那 这 模型 有 大约 三次错误分类，一次错误分类 速度 的 关于 7 .

这里 是 这 第三 模型 那 曾是... 如果 我们 有 到 给 它 金子， 银， 和 青铜， 这些 二 将要 分享 这 第二 地方。 这 物流 回归 模型， 什么时候 我们 做过 这 步 明智的 程序， 决定 不是 到 包括 这 二 高度 非 -重要的 因素。 我们 能 看 在 我们的 回归 模型， 在 这 物流 回归 模型， 那 斯科特 是 这 最多 重要的 多变的。 这 模型 有 相似的 错误分类 速度 的 三， 这 相同的 作为 这 物流 回归。

这里 是 如何 这 七 指标 变量 是 用过的 到 预测 这 可能性 的 跛足。 什么 我们 喜欢 关于 这 回归 类型 的 模型 是 那 我们 能 得到 赔率 比率 那 将要 帮助 我们 到 解释。 为了 例子， 为了 我们的 最多 重要的 多变的， 我们 能 看 那 这 赔率 的 跛足 是 两次 和 一 单元 的 增加 是 血清 皮质醇。

全面的， 我们 会 喜欢 到 说 那 这 物流 回归 模型 仅有的 用过的 七 出去 的 这 九 指 标。 这 神经增强 模型 和 这 广义 回归， 两个都 的 他们 用过的 全部 九 指标 为了 跛足。 全部 的 这 模型 有 区域 在下面 这 曲线 更大 比 0.9. 全部 的 这 模型 有 a 降低… 回归 类型 模型数量 有 这 7 % 错误分类 在 这 验证 放， 和 这 神经增强 做过 不是 有 任何事物。

我们 能 比较 我们的 三 优胜者 模型 使用 这 模型 比较 平台 在 吉姆 页。 我们 能 看 那 在 条款 的 预测， 严格 预测， 这 神经增强 模型 是 显著地 更好的 比 两个都 的 这 广义 回归 和 这 回归 模型。 这 二 回归 模型 , 这 一 和 全部 九 变量与 这 一 和 这 七 变量， 是 不是 显著地 不同的 从 每个 其他。 他们 全部 有 a 非常 相似的 区域 在下面 这 曲线， 和 他们 有 相似的 错误分类 的 三 鸟类。

这 是 我们的 推介会。 我们会 喜欢 到 感谢 你 为了 你的 注意力。 我们 有 一些 参考 那 你 能 寻找 相似的 有关的 材料 到 这 技术 那 我们 用过的 在 跳转 文档 那 将要 帮助 你 通过 这 过程。 感谢 你 为了 你的 注意力。

高级统计建模基础数据分析与建模消费者和市场研究数据混合和清理数据探索与可视化实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析