738742_zh-TW

liliconcom

使用肉雞健康、壓力和腿部健康參數的 (BCO) 跛行預測模型 (2023-EU-PO-1342)

摘要壓力和跛行會對動物的健康、生產和福利產生負面影響。測量了以下壓力和跛行的生理和非侵入性測量：核心體溫、血清和羽毛中的皮質酮(CORT) 濃度、頭部（眼睛和喙）和腿部（飛節、小腿和足部）區域的表面溫度透過紅外線熱成像 (IRT)、腿部血液和血氧飽和度 (腿部 O ₂ )。 JMP Pro 17 模型篩選平台用於將多個參數和機器學習模型擬合到 256 隻研究鳥類在上述九個健康和壓力指標上的二元反應變數 (Lame=1)。 我們選擇 K=5 的 K 折交叉驗證，並重複此過程兩次（N 次試驗折疊=10）。 最好的模型是Neural Boosted（平均AUC=.985，50 只驗證鳥中的錯誤分類率為0）和廣義回歸套索（平均AUC=.975，50 只驗證鳥中的錯誤分類率為3） 。逐步 Logistic 迴歸對於解釋 BCO 最有趣，僅需要九個指標中的七個，並且具有與其他兩個指標相似的整體擬合性能。 兩個 REG 模型“都同意顯著的預測效應”，並且當應用模型比較來進一步比較它們時，發現它們彼此不顯著（比較它們的 AUC）。

你好， 每個人， 和 歡迎 到 我們的 推介會。 我的 姓名 是 博士 安迪·莫羅穆斯塔科斯。 我是 a 教授 在 這 農業 統計數據 實驗室 在 這 大學 的 阿肯色州。 我的 共同 主持人 是 博士 肖娜 魏默 。她是A 助理 教授 在 家禽 科學 部門 在 這 大學 的 阿肯色州, 和 她是 這 動物 福利 總統 在 這 大學。

是 去 到 演講 到 你 今天 關於 預測性的 型號 為了 BCO 跛行 使用 健康 和 壓力 和 腿 健康 參數 在 肉雞。 我們的 推介會 是 去 到 是 短的。 是 去 到 討論 這 型號 那 我們 是 配件， 這 冠軍 模型， 這 那些 那 他們 得到 這 獎牌。 是 去 到 評價 他們， 和 是 去 到 有 一些 結論 在 這 結尾。 肖娜？

全部 正確的。 這 學習 比較的 生理 和 非侵入性 措施 的 壓力 和 跛行 在 臨床上 健康 和 BCO— 或者 b 動脈性軟骨壞死伴隨骨髓炎－負荷 肉雞。 BCO 是 a 領導 原因 的 傳染性的 跛行 在 肉雞 雞， 和 群 診斷 要求 安樂死。 因此， 有 a 需要 為了 技術性的 創新 到 探測 健康 和 跛行 地位 在 動物 到 專案 這 疾病 可能性 事先的 到 臨床 發病。

在 這 學習， 鳥類 是 凸起 在 分離 環境的 室 和 任何一個 木頭 刨花 在 這 地面， 或者 這 亂丟垃圾， 和 a 金屬絲 地板 模型 那 是 已驗證 到 誘發 BCO 跛行。 九 非侵入性 措施 的 壓力 和 跛行 是 集 從 256 鳥類， 男性 肉雞, 超過 一些 幾週， 哪個 包括 核 身體 溫度， 壓力 激素， 表面 溫度 的 這 頭， 這 眼睛， 和 這 喙， 和 這 腿, 這 飛節， 這 柄， 和 這 腳， 和 紅外線的 熱成像。 腿 血 氧 飽和 曾是 也 測量的 和 a 脈衝 血氧計。

的 這些 措施， 兩個我們 尋求的 到 證實。 這 第一的 曾是 萃取 的 皮質酮 從 這 羽毛。 皮質酮是 這 主要的 基本的 壓力 激素， 和 這 金子 標準 為了 措施 是 血 血清 濃度， 哪個 需要 這 捕獲 和 克制 的 這 鳥 到 收集 它。 所以 如果 羽毛 皮質酮 可以 是 已驗證， 然後 我們 可以 簡單地 夾子 a 羽毛 和 不是 放 這 鳥 透過 那 壓力 的 克制 和 血 畫。

這 第二 曾是 這 熱的 影像， 的 哪個 每個 像素 有 它是 自己的 溫度 記錄的 和 能 是 用過的 到 量化 外部的 變化 在 皮膚 溫度 有關的 到 血 流動， 奉獻 a 非侵入性 工具 到 措施 健康 和 福利。 期間 壓力， 週邊 血 是 分流的 到 這 核， 和 我們 預期的 這 平均的 像素 的 這 眼睛 和 這 喙， 或者 平均 和 巴夫格， 到 是 降低 在 跛 比 聲音 鳥類， 哪個 我們 相關的 和 這 血清 皮質酮。

為了 這 熱的 圖片 的 這 腿, 我們 預期的 這 平均的 像素 溫度 的 這 飛節, 這 柄， 和 這 腳 到 是 降低 在 這 跛 鳥類， 兩個都 為了 這 壓力 原因 和 也 為了 這 殖民化 的 這 細菌 那 放慢了 這 血 流動， 哪個 我們 相關的 和 這 腿 血 氧 飽和。 那裡 是 標記的 差異 之間 跛 和 聲音 鳥類。

我們的 目標 是 到 確認 哪個 的 這些 九 健康 和 壓力 指標 是 重要的 為了 跛行。 我們 想 到 建造 模型, 兩個都 為了 預言 目的， 但 我們 是 在 農業， 和 我們 喜歡 到 發布 文件 那 嘗試 到 解釋 如何 我們的 輸入 正在影響 這 回覆. 我們 是 希望 那 一些 的 這 模型, 這 傳統的 回歸 模型, 將要 做 相當 出色地 和 我們 能 解釋 那些。

在 我們的 方法， 我們 談過 關於… 它是 a 均衡 學習。 它是 a 配對實驗 在哪裡 每一個 時間 a 聲音 鳥 是 觀察到， a 跛 鳥 是 也 觀察到的 在 這 相同的 指標。 我們 有 一個 發生率 的 a 疾病 的 0.5。 是 去 到 拿 優勢 的 這 模型 篩選 平台 的 聯合管理計劃 專業版 17. 是 去 到 選擇 這 跛 那 有 價值觀 1 和 0 絕對的。 1 個看台 為了， 是的， 它是 瘸。 0 是 這 聲音 .

我們 有 我們的 九 預測因子 在 這裡。 是 去 到 做 這 預設值. 是 去 到 適合所有人 的 這 機器 學習 模型， 那 他們 是 檢查過。 是 去 到 選擇 叉 驗證。 是 去 到 有 5倍 叉 驗證。 和 我們的 近似 250 鳥類， 是 去 到 有 關於 50 鳥類 每 折疊， 和 是 去 到 重複 它 兩次。 我們 已選擇 這 隨機的 種子 所以 我們 能 複製 這 結果。 注意 那 I 做過 不是 添加 這 二次的 條款 和 交互作用 條款 到 希望 有 更輕鬆 解釋。

什麼時候 我們 選擇 這， 和 我們 點選 " 跑步 ,” 聯合管理計劃 需要 關於 a 分鐘。我 的 去 到 來 向上 和 這 排行 的 這 型號 那 我們 有 已安裝。 這 是 什麼 我們 稱呼 這 開始 的 這 結尾。 我們 有 10 不同的 數據 套 那 我們 有 嘗試過。 這 是 這 平均的 合身 標準， 更高 這 RS 正方形，和 是 這 排行 這 最好的， 第二 最好的， 第三 最好的。

希望 為了 我們， 我們 預期的 那 這 神經增強 模型 可能 做 a 小的 位元 更好的 比 這 傳統的 回歸 模型, 這樣的 作為 這 受到處罰 回歸 和 這 物流 回歸 模型, 但 我們 是 快樂的 到 看 那 這些 是 我們的 關閉 第二。

如果 我們 通緝 到 看 如何 我們的 最好的 模型 做過， 是 去 到 去 和 看 那 這 最好的 模型- 這 神經增強， 那 是 這 最好的 模型 為了 預測 目的 -有 a 錯誤分類 的 0。 你 能 看 這裡 兩個都 在 這 訓練 和 這 驗證 那 我們的 接收者 操作 特徵 曲線 達到 非常 很快 這 1 和 停留在 1、 哪個 是 極為 好的。 我們 看 這 錯亂 指標 那 出去 的 這 49 鳥類， 是 不是 真的 錯誤分類 任何 的 他們，所以 這 是 a 非常 好的 模型 和 a 非常 高的 廣義的 RS 為什麼？ 和 全部 的 這 其他 合身 標準 那 是 產生的 在 這裡。

但 我們 是 更多的 有興趣的 在 這 回歸 的類型 模型。 這 回歸 類型 的 模型, 這 廣義的 回歸， 我們 能 看 那 什麼時候 我們 使用 套索 作為 這 估計 方法， 這 模型 包括 全部 的 這 變數， 和 我們 有 夫妻 的 非 -重要的 變數 在 這 模型 在 這裡。 我們 能 看 這些 非 -重要的 因素， 這樣的 作為 這 福科特， 你 能 看 它 那 它是 不是 穿越 這 水平的 線。 你 能 看 那 這 年 平均的 是 不是 重要的， 但 是 包括。 我們 能 看 那 這 模型 有 大約 三個錯誤分類，一個錯誤分類 速度 的 關於 7 %。

這裡 是 這 第三 模型 那 曾是... 如果 我們 有 到 給 它 金子， 銀， 和 青銅， 這些 二 將要 分享 這 第二 地方。 這 物流 回歸 模型， 什麼時候 我們 做過 這 步 明智的 程式, 決定 不是 到 包括 這 二 高度 非 -重要的 因素。 我們 能 看 在 我們的 回歸 模型， 在 這 物流 回歸 模型， 那 史考特 是 這 最多 重要的 多變的。 這 模型 有 相似的 錯誤分類 速度 的 三， 這 相同的 作為 這 物流 回歸。

這裡 是 如何 這 七 指標 變數 是 用過的 到 預測 這 可能性 的 跛行。 什麼 我們 喜歡 關於 這 回歸 類型 的 型號 是 那 我們 能 得到 賠率 比率 那 將要 幫助 我們 到 解釋。 為了 例子， 為了 我們的 最多 重要的 多變的， 我們 能 看 那 這 賠率 的 跛行 是 兩次 和 一 單元 的 增加 是 血清 皮質醇。

全面的， 我們 會 喜歡 到 說 那 這 物流 回歸 模型 僅有的 用過的 七 出去 的 這 九 指標。 這 神經增強 模型 和 這 廣義的 回歸， 兩個都 的 他們 用過的 全部 九 指標 為了 跛行。 全部 的 這 型號 有 區域 在下面 這 的曲線 更大 比 0.9。全部 的 這 型號 有 a 降低… 回歸 類型 型號數 有 這 7 % 錯誤分類 在 這 驗證 放， 和 這 神經增強 做過 不是 有 任何事物。

我們 能 比較 我們的 三 優勝者 型號 使用 這 模型 比較 平台 在 傑明 P。 我們 能 看 那 在 條款 的 預測, 嚴格地 預測， 這 神經增強 模型 是 顯著地 更好的 比 兩個都 的 這 廣義的 回歸 和 這 回歸 模型。 這 二 回歸 型號 , 這 一 和 全部 九 變數與 這 一 和 這 七 變數， 是 不是 顯著地 不同的 從 每個 其他。 他們 全部 有 a 非常 相似的 區域 在下面 這 曲線， 和 他們 有 相似的 錯誤分類 的 三 鳥類。

這 是 我們的 推介會。 我們會 喜歡 到 感謝 你 為了 你的 注意力。 我們 有 一些 參考 那 你 能 尋找 相似的 有關的 材料 到 這 技巧 那 我們 用過的 在 聯合管理計劃 文件 那 將要 幫助 你 透過 這 過程。 感謝 你 為了 你的 注意力。

進階統計建模基礎資料分析與建模消費者與市場研究資料混合與清理數據探索和視覺化實驗設計大規模客製化預測建模和機器學習品質和工藝工程可靠度分析