华中农业大学学报

作者：李信颉，王海燕，蒋贝加，王超，赵志超，李长春，刘向东

关键词：机器学习模型; 决策树; K近邻; 支持向量机; 母猪; 产仔数性状

基金：国家自然科学基金项目（31572375）； 中央高校基本科研业务费专项（2662016PY006）； 中央高校基本科研业务费专项（2262018JC033）； 华中农业大学大北农青年学者提升专项（2017DBN019）

为指导养猪生产者更好地预测母猪的产仔数性状，尽早淘汰繁殖力较差的母猪，提升母猪群体的繁殖潜力，对记录了母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数的生产数据进行处理和描述统计，使用R软件中的Boruta包筛选出影响母猪产仔数性状的重要特征如品种、胎次、配种季节等，利用传统回归分析方法（LR）和不同机器学习方法—决策树（decision tree，DT）、K近邻（K-nearest neighbor，KNN）、支持向量机（support vector machine，SVM）对产仔数性状进行回归分析，最后比较机器学习方法与传统回归方法建模的优劣。结果显示，母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数不同回归分析方法的R2均达到0.71以上（0.71~0.88），体现了特征选择的正确性；在预测母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数中SVM模型均显著优于其他机器学习模型（P<0.05）并且要优于传统回归方法，而且在以上模型中预测1 kg以上仔猪数的SVM模型最优。因此，在今后的养猪生产中机器学习方法可能会成为养猪生产者早期选育高繁殖力母猪的一种新途径。

来源：2020年第4期

《华中农业大学学报》期刊编辑部

查看华中农业大学学报杂志2020年第4期