Using machine learning methods to predict dry matter intake from milk mid-infrared spectroscopy data on Swedish dairy cattle

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Kronqvist Cecilia) > (2020-2023) > Using machine learn...

Mohamad Salleh, Suraya BintiSwedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för husdjurens utfodring och vård (HUV),Department of Animal Nutrition and Management,University Putra Malaysia (författare)

Using machine learning methods to predict dry matter intake from milk mid-infrared spectroscopy data on Swedish dairy cattle

Artikel/kapitelEngelska2023

Förlag, utgivningsår, omfång ...

2023
Cambridge University Press (CUP): STM Journals - No Cambridge Open,2024

Nummerbeteckningar

LIBRIS-ID:oai:slubar.slu.se:121536
https://res.slu.se/id/publ/121536URI
https://doi.org/10.1017/S0022029923000171DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

In this research communication we compare three different approaches for developing dry matter intake (DMI) prediction models based on milk mid-infrared spectra (MIRS), using data collected from a research herd over five years. In dairy production, knowledge of individual DMI could be important and useful, but DMI can be difficult and expensive to measure on most commercial farms as cows are commonly group-fed. Instead, this parameter is often estimated based on the age, body weight, stage of lactation and body condition score of the cow. Recently, milk MIRS have also been used as a tool to estimate DMI. There are different methods available to create prediction models from large datasets. The main data used were total DMI calculated as a 3-d average, coupled with milk MIRS data available fortnightly. Data on milk yield and lactation stage parameters were also available for each animal. We compared the performance of three prediction approaches: partial least-squares regression, support vector machine regression and random forest regression. The full milk MIRS alone gave low to moderate prediction accuracy (R-2 = 0.07-0.40), regardless of prediction modelling approach. Adding more variables to the model improved R-2 and decreased the prediction error. Overall, partial least-squares regression proved to be the best method for predicting DMI from milk MIRS data, while MIRS data together with milk yield and concentrate DMI at 3-30 d in milk provided good prediction accuracy (R-2 = 0.52-0.65) regardless of the prediction tool used.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Danielsson, RebeccaSwedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för husdjurens utfodring och vård (HUV),Department of Animal Nutrition and Management(Swepub:slu)46784 (författare)
Kronqvist, CeciliaSwedish University of Agricultural Sciences,Sveriges lantbruksuniversitet,Institutionen för husdjurens utfodring och vård (HUV),Department of Animal Nutrition and Management(Swepub:slu)46875 (författare)
Sveriges lantbruksuniversitetInstitutionen för husdjurens utfodring och vård (HUV) (creator_code:org_t)
Sveriges lantbruksuniversitet

Sammanhörande titlar

Ingår i:Journal of Dairy Research90, s. 5-80022-02991469-7629

Internetlänk

Hitta via bibliotek

Journal of Dairy Research (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Mohamad Salleh, ...; Danielsson, Rebe ...; Kronqvist, Cecil ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Matematik; och Sannolikhetsteor ...

LANTBRUKSVETENSKAPER: LANTBRUKSVETENSK ...; och Husdjursvetenska ...; och Husdjursvetenska ...

Artiklar i publikationen: Journal of Dairy ...

Av lärosätet: Sveriges Lantbruksuniversitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se