Predicción de la producción diaria de leche enbovinos Gyr a través de métodos de aprendizaje supervisado

• Autores: Alberto Zea, Dagoberto Bermúdez Rubio, Ariel Jiménez, Germán Gómez, Carlos Alberto Martínez
• Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 15, Nº. 1, 2022, págs. 35-47
• Idioma: español
• Títulos paralelos:
  • Prediction of daily milk yield in Gyr cattle through supervisedlearning methods
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La Asociaci ́on Colombiana de Criadores de Ganado Ceb ́u - ASOCEBU, tiene in-ter ́es en desarrollar una m ́aquina para predecir la producci ́on total diaria de lecheempleando mediciones de producci ́on parciales en ganado Gyr y, en particular,responder dos preguntas: 1) ¿puede un m ́etodo predictivo de referencia ser supera-do por m ́etodos desarrollados a nivel local? 2) ¿cu ́al de los dos registros parciales(AM o PM) tiene un mejor desempe ̃no predictivo? Por lo tanto, el objetivo deeste art ́ıculo fue desarrollar una m ́aquina predictiva para la producci ́on diaria deleche en bovinos Gyr utilizando registros parciales, intervalo entre orde ̃nos, d ́ıas enlactancia, y n ́umero de partos (n=13806), mediante la implementaci ́on de m ́etodosde aprendizaje supervisado. Adem ́as de la m ́aquina predictiva de referencia, variascombinaciones de variables de entrada y modelo o m ́etodo de aprendizaje fueronconsideradas. Se emplearon redes neuronales artificiales, m ́aquinas de soporte vec-torial, bosques aleatorios y regresi ́on lineal cuyos par ́ametros de localizaci ́on seestimaron mediante m ́ınimos cuadrados o los m ́etodos de encogimiento Ridge yLasso. El desempe ̃no predictivo (DP) se evalu ́o mediante validaci ́on cruzada utili-zando las siguientes funciones de error: la ra ́ız del error cuadr ́atico medio (RECM) y el error absoluto medio (EAM). Se encontr ́o que una red neuronal artificialcon una capa oculta empleando el registro parcial AM, intervalo entre orde ̃nos,n ́umero de partos y d ́ıas en leche como variables de entrada present ́o el mejor DP(RECM=1.5042, EAM=1.1389), pero en general, el desempe ̃no de los diferentesm ́etodos fue similar. Todas las m ́aquinas cuyos par ́ametros se aprendieron em-pleando los datos locales fueron superiores al m ́etodo de referencia y los registrosparciales de la ma ̃nana presentaron mejor DP que los de la tarde. Estos resultadospermiten direccionar el programa de control lechero de ASOCEBU y generan unm ́etodo “a la medida” para predecir la producci ́on total diaria de leche en ganadoGyr en Colombia, un componente importante de los programas de mejoramientogen ́etico y modelamiento del nivel productivo en esta raza

  • English

    The Asociaci ́on Colombiana de Criadores de Ganado Ceb ́u - ASOCEBU, has in-terest in developing a machine to predict total daily milk yield using partial pro-duction measurements in Gyr cattle and, in particular, answering two questions: 1)can a reference predictive method be outperformed by locally developed methods?2) which one of the two partial records (AM or PM) has a better predictive perfor-mance? Therefore, the objective of this paper was to develop a predictive machinefor daily milk yield in Gyr cattle using partial records, milking interval, days inmilk, and parity (n=13806), by implementing supervised learning methods. Besi-des the reference predictive machine, several combinations of input variables andmodel or learning method were considered. Artificial neural networks, supportvector machines, random forests, and linear regression with location parametersestimated via least squares, or the shrinkage methods Ridge and Lasso were used.The predictive performance (PP) was assessed through crossvalidation using thefollowing error functions: square root of mean square error (RMSE) and meanabsolute error (MAE). It was found that an artificial neural network with a singlehidden layer and the AM partial record, milking interval, parity and days in milkas input variables had the best PP (RMSE=1.5042, MAE=1.1389), but in gene-ral, the performance of the methods was similar. All machines whose parameterswere learned using local data outperformed the reference method and the morningpartial records showed a better PP than those from the afternoon. These resultspermit guiding ASOCEBU’s milk control program and generate a “tailormade”method to predict total daily milk yield of Gyr cattle in Colombia, a relevantcomponent of the genetic improvement and productivity modelling programs ofthis breed.