- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 276 |
| تعداد نشریات سازمان | 75 |
| تعداد شماره‌ها | 1,937 |
| تعداد مقالات | 22,274 |
| تعداد مشاهده مقاله | 12,004,295 |
| تعداد دریافت فایل اصل مقاله | 9,647,842 |
تشخیص صفت فاصله زایش با استفاده از روشهای درخت تصمیم و ماشین بردار پشتیبان در گاوهای شیری هلشتاین | ||
| تحقیقات دامپزشکی و فرآورده‌های بیولوژیک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 اردیبهشت 1399 اصل مقاله (773.03 K) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22092/vj.2020.342148.1695 | ||
| نویسندگان | ||
مریم منتظری  1؛ محمدرضا بحرینی بهزادی2
| ||
| 1کارشناس ارشد ژنتیک و اصلاح نژاد دام، دانشکده کشاورزی،دانشگاه یاسوج، ایران | ||
| 2دانشیار ژنتیک و اصلاح دام، گروه علوم دامی،دانشکده کشاورزی،دانشگاه یاسوج، ایران | ||
| چکیده | ||
| یکی از روشهای مهم برای دست‌یابی به بیشترین توانایی در تولید و تصمیم‌گیری برای آینده‌ی اقتصادی صنعت گاوداری-های شیری، مدل‌سازی برای صفات تولیدمثلی است. برای دست یافتن به سودآوری حاصل از پرورش گاوهای شیری، از صفات تولید مثلی مانند فاصله گوساله‌زایی استفاده می‌شود. فاصله‌ی گوساله‌زایی یکی از صفات شاخص باروری در پرورش گاوهای شیری می‌باشد که به میزان قابل توجهی تحت‌تاثیر اثرات محیطی و مدیریتی قرار می‌گیرد و از نظر اقتصادی، میزان باروری گاوهای شیری معمولا با توجه به این صفت ارزیابی می‌شود. بنابراین با تمرکز بر روی این صفات، تولید نیز در نسلهای بعدی بهبود خواهد یافت. به‌کاربردن یک برنامه مدیریت تولیدمثلی مناسب در گله نیازمند استفاده از الگوریتم‌های هوشمند روشهای یادگیری ماشین (درخت‌تصمیم‌گیری و ماشین بردار پشتیبان) است که این روش‌ها می‌تواند رهیافت مناسبی برای تحلیل داده‌های صنعت گاو شیری به حساب آیند. هدف از انجام این پژوهش بررسی امکان دسته‌بندی صفت فاصله زایش با استفاده از دو روش درخت تصمیم )درخت تصمیم برجسته، جنگل تصادفی و درخت بیز ساده( و ماشین بردار پشتیبان در گاوهای شیری هلشتاین است. برای بررسی کارایی بین الگوریتم‌ها، از معیارهای صحت و جذر میانگین مربعات خطا استفاده شد. نتایج حاصل از این پژوهش نشان داد که روشهای مختلف درخت تصمیم نسبت به روش ماشین بردار پشتیبان عملکرد بالاتری در امکان دسته‌بندی صفت فاصله گوساله‌زایی داشته و در نتیجه می‌تواند توسط مدیران صنعت گاو شیری برای بررسی این صفت استفاده شود. در این راستا سن مادر و تولید شیر، بیشترین ارتباط را با فاصله گوساله‌زایی داشتند. | ||
| کلیدواژه‌ها | ||
| درخت تصمیم‌گیری؛ دسته‌بندی؛ فاصله گوساله‌زایی؛ گاو شیری؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Detection of Calving interval trait using decision tree and support vector machine methods in Holstein dairy cows | ||
| نویسندگان [English] | ||
| M. Montazeri1؛ M. R. Bahreini Behzadi2 | ||
| 1MSc., Dept. of Animal Sciences, Faculty of Agriculture, Yasouj University,Yasouj, Iran | ||
| 2Associate Prof., Dept. of Animal Sciences, Faculty of Agriculture, Yasouj University,Yasouj, Iran | ||
| چکیده [English] | ||
| Modeling for reproductive traits is one of the important methods to achieve the most ability to produce and decisions for the economic future of the dairy cattle industry. Reproductive traits such as calving interval are used to achieve economical profit from dairy cattle breeding. Calving interval is one of the dairy cattle fertility index that sought to be substantially affected by management and environmental effects and in economical terms, the fertility rate in dairy cows is usually evaluated according to the calving interval trait. Therefore, by focusing on these traits, production in later generations will be improved. Applying a suitable reproductive management program in the herd requires the Using intellectual algorithms of machine learning methods (Decision Tree and Support Vector Machine), which these algorithms could be assumed as right approach to analysis dairy cattle industry data. The purpose of this study was to investigate the possibility of calving interval trait classification in Holstein dairy cattle using two methods of decision tree (algorithms of j48, random forest and Naive Bayes tree) and support vector machine. We used coefficient of determination and root mean square error to investigate the efficiency of the between algorithms. The results of this study showed that decision tree methods have a higher performance than support vector machine in classification of calving interval trait and could be used by managers of dairy industries for investigation of this trait. In this way, cow age at calving and milk production showed high amount of correlation with calving interval. | ||
| کلیدواژه‌ها [English] | ||
| Decision Tree, Classification, Calving interval, Dairy cow, Support Vector Machine | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 13 تعداد دریافت فایل اصل مقاله: 2 |
||
