Buzağı Hastalıkları Üzerine Etkili Faktörlerin Sınıflandırılmasında Yapay Sinir Ağları, Rassal Orman Algoritması ve Lojistik Regresyon Analizi Performanslarının Karşılaştırılması

Yıl 2022, Cilt: 19 Sayı: 2, 94 - 100, 01.08.2022

Güven Güngör Aytaç Akçay Savaş Sarıözkan Elif Çelik

https://doi.org/10.32707/ercivet.1142552

Öz

Bu çalışmada buzağı hastalıklarına etkili faktörlerin Yapay Sinir Ağları (YSA), Rassal Orman Algoritması (RO) ve Lojistik Regresyon Analizi (LR) ile sınıflandırılması, bu yöntemlerin kullanılabilirliğinin ortaya konulması ve performans-larının karşılaştırılması amaçlanmıştır. Araştırma materyalini 2018-2021 yılları arasında Erciyes Üniversitesi Tarımsal Araştırma ve Uygulama Merkezi’nde tutulan 54 baş buzağıya ait işletme kayıtları oluşturmuştur. İstatistik analizlerde buzağılara ait hastalık geçmişi bağımlı değişken; buzağıların cinsiyeti, ırkı, doğum mevsimi, anne ırkı, anne laktasyon sayısı ise bağımsız değişken olarak belirlenmiştir. Sınıflandırma performansları; duyarlılık, seçicilik, kesinlik, doğruluk, f-ölçümü, Youden indeksi, ROC eğrisi altında kalan alan (AUC) ve Cohen’s kappa katsayısı ile karşılaştırılmıştır. Araş-tırma bulgularına göre, duyarlılık, seçicilik, kesinlik, doğruluk, F-ölçümü, Youden ideksi ve Cohen’s kappa açısından en başarılı sınıflandırıcılar sırasıyla; LR (0.828), YSA (0.947), YSA (0.964), YSA (0.833), YSA (0.857), YSA (0.719), YSA (0.663) olarak bulunmuştur. Sonuç olarak, mevcut sınıflandırma yöntemlerinin buzağı hastalıklarına etkili faktörleri belirli bir yanılma payıyla doğru sınıflandırdığı ve duyarlılık dışındaki bütün performans değerleri için YSA’nın daha başarılı olduğu görülmüştür. Bu yöntemlerin, hayvancılık işletmelerinde buzağı hastalıklarının proaktif yaklaşımla belir-lenmesine ve ekonomik kayıpların önlenmesine imkan sağlayacağı düşünülmektedir.

Anahtar Kelimeler

Buzağı, hastalık, makine öğrenmesi, sınıflandırma

Comparison of Artificial Neural Networks, Random Forest Algorithm and Logistic Regression Analysis Performances in Classification of Effective Factors on Calf Diseases

Öz

In this study, it is aimed to classify the factors affecting calf diseases with Artificial Neural Networks (YSA), Random Forest Algorithm (RO) and Logistic Regression Analysis (LR), to reveal the usability of these methods and to compare their performances. The research material consisted of the farm records of 54 calves kept in Erciyes Universi-ty, Agricultural Research and Application Center between 2018-2021. In the statistical analysis, the disease history of the calves was the dependent variable; calves gender, breed, birth season, maternal breed, and maternal lactation number were determined as independent variables. Classification performances were compared with sensitivity, speci-ficity, precision, accuracy, f-measure, Youden index, area under the ROC curve (AUC) and Cohen's kappa coefficient. According to the research results, the most successful classifiers in terms of sensitivity, selectivity, precision, accuracy, F-measure, Youden's index and Cohen's kappa; LR (0.828), ANN (0.947), ANN (0.964), ANN (0.833), ANN (0.857), ANN (0.719), ANN (0.663), respectively. In conclusion, it has been reached that be used classification methods cor-rectly classify the factors affecting calf diseases with a somewhat margin of error and YSA is more successful for all performance values except sensitivity. It is thought that these methods will help determine calf diseases with proactive approaches and prevent economic losses in livestock enterprises.

Anahtar Kelimeler

Calf, classification, disease, machine learning

Kaynakça

• Akyüz E, Naseri A, Erkılıç EE, Makav M, Uzlu E, Kır-mızıgül AH, Gökce G. Neonatal buzağı ishalleri ve sepsis. Kafkas Univ Inst Nat Appl Sci J 2017; 10(2): 181-91.
• Alpan O. Sığır Yetiştiriciliği ve Besiciliği. Üçüncü Bas-kı. Ankara: Şahin Matbaası 1994; ss. 219-20.
• Armitage P, Berry G, Matthews JNS. Statistical Met-hods in Medical Research. Fourth Edition. New York: John Wiley & Sons 2008; pp. 692-711.
• Ayvazoğlu Demir P, Aydın E, Ayvazoğlu C. Estima-tion of the economic losses related to calf mortali-ties kars province, in Turkey. Kafkas Univ Vet Fak Derg 2019; 25(3): 283-9.
• Berglund B, Steinbock L, Elvander M. Causes of still-birth and time of death in Swedish Holstein calves examined post mortem. Acta Vet Scand 2003; 44(3): 1-10.
• Budak H, Erpolat S. Kredi riski tahmininde yapay sinir ağları ve lojistik regresyon analizi karşılaştırılma-sı. AJIT-e 2012; 3(9): 23-30.
• Cihan P, Kalıpsız O, Gökçe E. Yenidoğan kuzularda bilgisayar destekli tanı. Pamukkale Univ Muh Bi-lim Derg 2020; 26(2): 385-91.
• Cohen J. A coefficient of agreement for nominal sca-les. Educ Psychol Meas 1960; 20(1): 37-46.
• DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics 1988; 44(3): 837-45.
• Ergülen A, Topuz D. İşletmelerdeki verimliliğin tahmin edilebilmesi ve bu verimliliği etkileyen faktörlerin MLP tipi Yapay Sinir Ağları tekniği ile belirlenme-si. Hatay Mustafa Kemal Univ Sosyal Bilimler Enstitüsü Derg 2008; 5(10): 219-31.
• Goharshahi M, Azizzadeh M, Lidauer L, Steininger A, Kickinger F, Öhlschuster M, Auer W, Klein-Jöbstl D, Drillich M, Iwersen M. Monitoring selected be-haviors of calves by use of an ear-attached acce-lerometer for detecting early indicators of diarr-hea. J Dairy Sci 2021; 104(5): 6013-9.
• Gorgulu O. Prediction of 305-day milk yield in Brown Swiss cattle using artifical neural networks. S Afr J Anim Sci 2012; 42(3): 280-7.
• Grzesiak W, Zaborski D, Sablik P, Żukiewicz A, Dy-bus A, Szatkowska I. Detection of cows with inse-mination problems using selected classification models. Comput Electron Agric 2010; 74(2): 265-73.
• Gundelach Y, Essmeyer K, Teltscher MK, Hoedema-ker M. Risk factors for perinatal mortality in dairy cattle: cow and foetal factors, calving process. Theriogenology 2009; 71(6): 901-9.
• Gülten A, Doğan Ş. Genetik algoritmalar yönteminin biyomedikal verileri üzerindeki uygulamaları. Fırat Üniv Doğu Araştırmaları Derg 2009; 7(1): 12-6.
• Haupt RL, Haupt SE. Practical Genetic Algorithms. Second Edition. New York: John Wiley & Sons 2004; pp. 1-3.
• Klein D, Kern A, Lapan G, Benetka V, Möstl K, Ba-umgartner W. Evaluation of rapid assays for the detection of bovine coronavirus, rotavirus A and Cryptosporidium parvum in faecal samples of calves. Vet J 2009; 182(3): 484-6.
• Kraemer HC. Evaluating medical tests: Objective and quantitative guidelines. Newbury Park, California: Sage publications Inc; 1992.
• Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics 1977; 33(1): 159-74.
• Liaw A, Wiener M. Classification and regression by randomForest. R News 2002; 2(3): 18-22.
• Lombard JE, Garry FB, Tomlinson SM, Garber LP. Impacts of dystocia on health and survival of dairy calves. J Dairy Sci 2007; 90(4): 1751-60.
• Mee JF. Managing the dairy cow at calving time. Vet Clin North Am Food Anim 2004; 20(3): 521–46.
• Meijering A. Dystocia and stillbirth in cattle-A review of causes, relations and implications. Livest Prod Sci 1984; 11(2): 143-77.
• Miller DD, Brown EW. Artificial intelligence in medical practice: The question to the answer? Am J Med 2018; 131(2): 129-33.
• Öztemel E. Yapay Sinir Ağları. Beşinci Baskı. İstan-bul: Papatya Yayıncılık 2003; ss. 29-31.
• Piccione G, Casella S, Pennisi P, Giannetto C, Costa A, Caola G. Monitoring of physiological and blood parameters during perinatal and neonatal period in calves. Arq Bras Med Vet Zootec 2010; 62(1): 1-12.
• Pirim H. Yapay zeka. J Yaşar Univ 2006; 1(1): 81-93.
• Shafi SM, Rather RA. Precision and recall of five search engines for retrieval of scholarly information in the field of biotechnology. Webology 2005; 2(2): 42-7.
• Singh DD, Kumar M, Choudhary PK, Singh HN. Neo-natal calf mortality-An overview. Intas Polivet 2009; 10(2): 165-9.
• Takma Ç, Atıl H, Aksakal V. Çoklu Doğrusal Regres-yon ve Yapay Sinir Ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Univ Vet Fak Derg 2012; 18(6): 941-4.
• Yaman H, Sungur O, Dulupçu MA. Dünyada tarım ve hayvancılığın dönüşümü: Teknolojiye dayalı uygu-lamalar ve devrimler. Tarım Ekonomisi Dergisi 2021; 27(1): 128-30.
• Yıldız AŞ. Ankara İli Damızlık Sığır Yetiştiricileri Birli-ği’ne bağlı süt sığırcılığı işletmelerinde bazı ende-mik hastalıkların işletme düzeyinde meydana ge-tirdiği ekonomik kayıplar, Doktora Tezi, Ankara Üniv Sağ Bil Enst, Ankara 2008.
• Zaborski D, Proskura WS, Grzesiak W. The use of data mining methods for dystocia detection in Polish Holstein-Friesian Black-and-White cattle. Asian-Australasian J Anim Sci 2018; 31(11): 1700-13.