Comparison of Data Mining Algorithms used in Predictive of Live Weight from Body Measurements in Holstein Cattle at Different Growth and Development Periods

Year 2022, Issue: 375, 37 - 46, 06.09.2022

Gizem Coşkun , Özcan Şahin , İlker Ali Ozkan , İbrahim Aytekin

https://doi.org/10.33724/zm.1092837

Cited By: 2

Abstract

The aim of this study was to compare the live weight predictive performance of different data mining algorithms from some body measurements of cattle during different growth and development ages ranging from birth to 12 months. In the study, some body measurements of 42 cattle, 24 females and 18 males, were determined by chest circumference (CC), chest depth (CD), body length (BL), withers height (WH), rump height (RH), sex and age were considered as the independent variable and live weight as the dependent variable. In the estimation of body weight from body measurements, Multiple Linear Regression (MLR), Random Forest (RF), Decision Tree (DT) and Nearest Neighbor (kNN) algorithms from data mining algorithms were utilized by using cross validation 5. A positive correlation was found between body measurements and live weight (LW) (P<0.01). While the highest correlation of LW was found to be CC (r=0.972) and CD (r=0.972), the lowest correlation was found for RH (r=0.887). Determination coefficients (R2) in MLR, RF, DT, and kNN algorithms were determined as 93.90 %, 91.20 %, 85.70 %, and 85.60 %, respectively. While R2 values of RF and MLR were found higher than kNN and DT models, MSE and MAE estimation performance criteria were found to be lower than these models. Among the data mining algorithms, the R2 value of the MLR model was the highest with 0.939, while the lowest value was found in the kNN (0.856) model. As a result, it can be said that the accuracy in estimating the live weight of cattle using body measurements is high, and accurate and reliable results can be obtained by considering only a CC and CD.

Keywords

Algorithm, Live Weight Prediction, Cattle, Data mining, Body Measurements.

Siyah Alaca Sığırlarda Farklı Büyüme ve Gelişme Dönemlerindeki Vücut Ölçülerinden Canlı Ağırlık Tahmininde Kullanılan Veri Madenciliği Algoritmalarının Karşılaştırılması

Abstract

Bu çalışmanın amacı 0-12 aylık yaşta farklı büyüme ve gelişme dönemindeki sığırların bazı vücut ölçümlerinden canlı ağırlık tahmininde kullanılan veri madenciliği algoritmalarının karşılaştırılmasıdır. Çalışmada 24 baş dişi ve 18 baş erkek olmak üzere toplamda 42 baş sığıra ait kimi vücut ölçülerinden göğüs çevresi (GÇ), göğüs derinliği (GD), vücut uzunluğu (VU), cidago yüksekliği (CY), sağrı yüksekliği (SY) ile cinsiyet ve yaş özelliği bağımsız değişken, canlı ağırlık ise bağımlı değişken olarak ele alınmıştır. Vücut ölçülerinden canlı ağırlığının tahmin edilmesinde ise veri madenciliği algoritmalarından Çoklu Doğrusal Regresyon (MLR), Rastgele Orman (RF), Karar Ağacı (DT) ve En Yakın Komşu (kNN) algoritmaları çapraz doğrulama (cross-validation) 5 alınarak kullanılmıştır. Vücut ölçüleri ile canlı ağırlık (CA) arasında pozitif bir korelasyon olduğu tespit edilmiştir (P<0.01). CA’nın en yüksek korelasyonu GÇ (r=0.972) ve GD (r=0.972) olarak bulunurken, en düşük korelasyon ise SY (r=0.887)’de bulunmuştur. MLR, RF, DT ve kNN algoritmalarında belirleme katsayıları (R2) sırasıyla % 93.90, % 91.20, % 85.70 ve % 85.60 olarak tespit edilmiştir. RF ve MLR’ye ait R2 değerleri; kNN ve DT modellerine nazaran daha yüksek bulunurken, MSE ve MAE tahmin performans ölçütleri ise bu modellerden daha düşük olarak tespit edilmiştir. Veri madenciliği algoritmalarından MLR modelin R2 değeri 0.939 ile en yüksek iken, en düşük değer ise kNN (0.856) modelinde tespit edilmiştir.
Sonuç olarak; sığırların vücut ölçüleri kullanılarak canlı ağırlığı tahmin etmedeki doğruluğun yüksek olduğu ve sadece GÇ ve GD’nin ele alınması ilede doğru ve güvenilir sonuçlar elde edileceği söylenebilir.
Sonuç olarak; sığırların vücut ölçüleri kullanılarak canlı ağırlığı tahmin etmedeki doğruluğun yüksek olduğu ve sadece belli bir vücut ölçüsünün ele alınması ile de doğru ve güvenilir sonuçlar elde edileceği söylenebilir.

Keywords

Algoritma, Canlı Ağırlık Tahmini, Sığır, Veri madenciliği, Vücut Ölçüleri.

References

• AAkkol, S., Akilli, A., ve Cemal, I., 2017, Comparison of artificial neural network and multiple linear regression for prediction of live weight in hair goats. Yuzuncu Yıl University Journal of Agricultural Sciences, 27(1), 21-29.
• Altay, Y., Boztepe, S., Eyduran, E., Keskin, İ., Tariq, M. M., Bukhari, F. A., ve Ali, I., 2021, Description of Factors Affecting Wool Fineness in Karacabey Merino Sheep using Chaid and Mars Algorithms. Pakistan Journal of Zoology, 53(2), 1-7.
• Altay, Y., 2022, Phenotypic Characterization of Hair and Honamli Goats by Using Classification Trees Algorithms and Multivariate Adaptive Regression Splines (MARS), Journal of the Faculty of Veterinary Medicine, Kafkas University 28(3), 401-410.
• Ameen, A. A., ve Mikail, N., 2018, Live body weight prediction in hair goats by application of fuzzy logic. Applied Ecology and Environmental Research, 16(6), 7563-7574.
• Aytekin, İ., Eyduran, E., Karadas, K., Aksahan, R., ve Keskin, İ., 2018, Prediction of fattening final live weight from some body measurements and fattening period in young bulls of crossbred and exotic breeds using MARS data mining algorithm. Pakistan Journal of Zoology, 50(1), 189-195.
• Breiman, L., 2004. Consistency for a simple model of random forests. Technical Report 670, Berkeley Budak, H., 2018, Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22 (özel sayı), 21-31.
• Cihan, P., Kalıpsız, O., ve Gökçe, E., 2020, Yenidoğan kuzularda bilgisayar destekli tanı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 385-391.
• Çankaya, S., Altop, A., Kul, E., ve Erener, G., 2009, Faktör analiz skorlari kullanilarak karayaka kuzularinda canli ağirlik tahmini. Anadolu Tarım Bilimleri Dergisi, 24(2), 98-102.
• Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hočevar, T., Milutinovič, M., Mozina, M., Polajnar, M., Toplak, M., Staric, A., Stajdohar, M., Umek, L., Zagar, L., Zbontar, J., Zitnik, M., ve Zupan, B., 2013, Orange: data mining toolbox in Python. The Journal of Machine Learning Research, 14(1), 2349-2353.
• Emre, İ. E., ve Erol, Ç. S., 2017, Veri Analizinde İstatistik mi Veri Madenciliği mi?. Bilişim Teknolojileri Dergisi, 10(2), 161-167.
• Göncü, S., 2021, Sığırcılık, Akademisyen Kitapevi, Ankara.
• Gül, S., Keskin, M., Biçer, O., Gündüz, Z., ve Behrem, S., 2020, Effects of different lambing season on some reproductive characteristics of ewes and growth performance of lambs in Awassi sheep. Lalahan Hayvancılık Araştırma Enstitüsü Dergisi, 60(1), 32-36.
• Gültepe, Y., 2019, Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16), 8-15.
• Hodson, T. O., 2022, Root mean square error (RMSE) or mean absolute error (MAE): when to use them or not. Geoscientific Model Development Discussions, 1-10.
• Huma, Z. E., ve Iqbal, F., 2019, Predicting the body weight of Balochi sheep using a machine learning approach. Turkish Journal of Veterinary and Animal Sciences, 43(4), 500-506.
• Karabacak, A., Altay, Y., ve Aytekin, İ. 2019, Relationship between some body measurements and ultrasound measurements at the end of fattening of Akkaraman and Ivesi lambs. Bahri Dağdaş Hayvancılık Araştırma Dergisi, 8(2), 56-64.
• Keskin, İ., Dağ, B., ve Şahin, Ö., 2005, Anadolu Merinosu erkek kuzularında besi başı vücut ölçüleri ile sıcak karkas ağırlığı arasındaki ilişkilerin path analizi ile araştırılması, Hayvancılık Araştırma Dergisi, 15(2), 6-10.
• Kılınç, D., Borandağ, E., Yücalar, F., Tunalı, V., Şimşek, M., ve Özçift, A., 2016, kNN algoritması ve R dili ile metin madenciliği kullanılarak bilimsel makale tasnifi. Marmara Fen Bilimleri Dergisi, 28(3), 89-94.
• Koç, A., ve Akman, N., 2007, Siyah-Alaca tosunların değişik dönemlerdeki vücut ölçüleri ve vücut ölçülerinden canlı ağırlığın tahmini. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 4(1/2), 21-25.
• Louis-Tyasi, T., Tshegofatso-Mkhonto, A., Cyril-Mathapo, M., ve Madikadike-Molabe, K., 2021, Regression tree analysis to predict body weight of South African non-descript goats raised at Syferkuil farm, Capricorn district of South Africa. Biotechnology in Animal Husbandry, 37(4), 293-304.
• Mahesh, B., 2020, Machine learning algorithms-a review. International Journal of Science and Research, 9, 381-386.
• Minitab, 2010, Minitab 16.1.1 for Windows. State College, PA, USA: Minitab Inc.
• Özkaya, S., ve Bozkurt, Y., 2009, The accuracy of prediction of body weight from body measurements in beef cattle. Archives Animal Breeding, 52(4), 371-377.
• Peng, H., 2015, Air quality prediction by machine learning methods. Doctoral dissertation, University of British Columbia. 1-86.
• Pesmen, G., ve Yardimci, M., 2008, Estimating the live weight using some body measurements in Saanen goats. Archiva Zootechnica, 11(4), 30-40.
• Riva, J., Rizzi, R., Marelli, S., ve Cavalchini, L. G., 2004, Body measurements in Bergamasca sheep. Small Ruminant Research, 55(1-3), 221-227.
• Shahinfar, S., Page, D., Guenther, J., Cabrera, V., Fricke, P., ve Weigel, K., 2014, Prediction of insemination outcomes in Holstein dairy cattle using alternative machine learning algorithms. Journal of Dairy Science, 97(2), 731-742.
• Tariq, M., Younas, M., Khan, A. B., ve Schlecht, E., 2013, Body Measurements and Body Condition Scoring as Basis for Estimation of Live Weight in Nili-Ravi Buffaloes. Pakistan Veterinary Journal, 33(3), 325-329.
• Taşdemir, Ş., Ürkmez, A., ve İnal, Ş., 2011, A fuzzy rule-based system for predicting the live weight of Holstein cows whose body dimensions were determined by image analysis. Turkish Journal of Electrical Engineering & Computer Sciences, 19(4), 689-703.
• Teke, E.Ç., Orhan, H, Küçüksille, E.U., Bilginturan, S., ve Teke, H., 2013, Veri madenciliği süreci ile siyah alaca sığırlarda canlı ağırlık tahmini. 8. Ulusal Zootekni Bilim Kongresi, 5-7 Eylül, Çanakkale, 402- 403.
• Tırınk, C., 2022, Comparison of Bayesian Regularized Neural Network, Random Forest Regression, Support Vector Regression and Multivariate Adaptive Regression Splines Algorithms to Predict Body Weight from Biometrical Measurements in thalli sheep. Journal of the Faculty of Veterinary Medicine, Kafkas University, 28(3), 411-419.
• Topuz, S., 2021, Eğitsel Verilerde Weka ve Orange Veri Madenciliği Yazılımlarından Elde Edilen Analiz Sonuçlarının Karşılaştırılması, Yüksek Lisans Tezi, Eğitim Bilimleri Enstitüsü, Ankara, 1-68.
• Tüzemen, N., Yanar, M., Akbulut, Ö., Uğur, F ve Aydın, R., 1995, Prediction Of Body Weights From Body Measurements İn Holstein-Friesian Calves. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 26(2), 245-252.
• Tüzüntürk, S., 2010, Veri madenciliği ve istatistik. Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 29(1), 65-90.
• Ulutaş, Z., Saatçi, M., ve Özlütürk, A., 2001, Prediction of body weights from body measurements in East Anatolian Red calves. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 32(1), 61-65.
• Vanvanhossou, S. F. U., Diogo, R. V. C., ve Dossa, L. H., 2018, Estimation of live body weight from linear body measurements and body condition score in the West African Savannah Shorthorn Cattle in North-West Benin. Cogent Food and Agriculture, 4(1), 1549767.
• Zaborski, D., Ali, M., Eyduran, E., Grzesiak, W., Tariq, M. M., Abbas, F., Waheed, A., ve Tirink, C., 2019, Prediction of selected reproductive traits of indigenous Harnai sheep under the farm management system via various data mining algorithms. Pakistan Journal of Zoology, 51(2), 421-431.
• Zülkadir, U., Şahin, Ö., Aytekin, İ., ve Boztepe, S., 2008, Malya kuzularda canlı ağırlık ve bazı vücut ölçülerinin tekrarlanma dereceleri. Selçuk Üniversitesi Ziraat Fakültesi Dergisi, 22 (45), 89-93.