Predicción del peso corporal utilizando algoritmos de Gradient Boosting y Random Forest apoyados por PCA en búfalos de agua criados en el sureste de México
Autores: Gomez-Vazquez, Armando; Trnk, Cem; Cruz-Tamayo, Alvar Alonzo; Cruz-Hernandez, Aldenamar; Camacho-Pérez, Enrique; Okuyucu, brahim Cihangir; ahin, Hasan Alp; Dzib-Cauich, Dany Alejandro; Gülboy, Ömer; Garcia-Herrera, Ricardo Alfonso; Chay-Canul, Alfonso J.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción del peso corporal utilizando algoritmos de Gradient Boosting y Random Forest apoyados por PCA en búfalos de agua criados en el sureste de México
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Técnicas de aprendizaje automático
Análisis de componentes principales
Estimación del peso corporal
Aumento de gradiente
Bosque aleatorio
Ciencia animal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 13
Citaciones: Sin citaciones
Este estudio tiene como objetivo utilizar técnicas avanzadas de aprendizaje automático respaldadas por el Análisis de Componentes Principales (PCA) para estimar el peso corporal (BW) en búfalos criados en el sureste de México y comparar su rendimiento. La primera etapa del estudio actual consiste en mediciones corporales y el proceso de determinar las variables más informativas utilizando PCA, un método de reducción de dimensiones. Este proceso reduce el tamaño de los datos al eliminar la estructura compleja del modelo y proporciona un proceso de aprendizaje más rápido y efectivo. Como segunda etapa, se desarrollaron dos modelos de predicción separados con algoritmos de Gradient Boosting y Random Forest, utilizando los componentes principales obtenidos del conjunto de datos reducido por PCA. Se compararon los rendimientos de ambos modelos utilizando métricas de R, RMSE y MAE, y se mostró que el modelo de Gradient Boosting logró un mejor rendimiento de predicción con un valor de R más alto y tasas de error más bajas que el modelo de Random Forest. En conclusión, las aplicaciones de modelado respaldadas por PCA pueden proporcionar resultados más confiables, y el algoritmo de Gradient Boosting es superior al Random Forest en este contexto. El estudio actual demuestra el uso potencial de enfoques de aprendizaje automático en la estimación del peso corporal en búfalos de agua y apoyará la ganadería sostenible al contribuir a los procesos de toma de decisiones en el campo de la ciencia animal.
Descripción
Este estudio tiene como objetivo utilizar técnicas avanzadas de aprendizaje automático respaldadas por el Análisis de Componentes Principales (PCA) para estimar el peso corporal (BW) en búfalos criados en el sureste de México y comparar su rendimiento. La primera etapa del estudio actual consiste en mediciones corporales y el proceso de determinar las variables más informativas utilizando PCA, un método de reducción de dimensiones. Este proceso reduce el tamaño de los datos al eliminar la estructura compleja del modelo y proporciona un proceso de aprendizaje más rápido y efectivo. Como segunda etapa, se desarrollaron dos modelos de predicción separados con algoritmos de Gradient Boosting y Random Forest, utilizando los componentes principales obtenidos del conjunto de datos reducido por PCA. Se compararon los rendimientos de ambos modelos utilizando métricas de R, RMSE y MAE, y se mostró que el modelo de Gradient Boosting logró un mejor rendimiento de predicción con un valor de R más alto y tasas de error más bajas que el modelo de Random Forest. En conclusión, las aplicaciones de modelado respaldadas por PCA pueden proporcionar resultados más confiables, y el algoritmo de Gradient Boosting es superior al Random Forest en este contexto. El estudio actual demuestra el uso potencial de enfoques de aprendizaje automático en la estimación del peso corporal en búfalos de agua y apoyará la ganadería sostenible al contribuir a los procesos de toma de decisiones en el campo de la ciencia animal.