| 報告時間：2024-12-18 |
| 報告地點：大四教室 |
| 指導老師：江信毅 |
| 學生：郭柏渝 |
| 摘要 |
|
跛行(Lameness) 為乳牛最常見的健康問題之一，對乳牛的福祉與經濟表現都會產生不良之影響。預測乳牛的發生風險有利於進行早期治療及提供更好的管理，避免後續發展為嚴重病例，並同時降低經濟損失。然檢測出可能有跛行的乳牛與具有跛行風險的乳牛具有其困難性。本次專題討論擬探討預測乳牛跛行發生率的機器學習方法。此次使用跛行評分(Lameness scores)、產乳量(Milk production)與體型性狀(Conformation traits)來進行跛行的預測。採用三種機器學習演算法，分別為多層感知器(Multilayer Perceptron, MLP)、貝氏分類器(Naïve Bayes, NB)和隨機森林(Random Forest, RF)，並與典型的二元分類方法-邏輯迴歸(Logistic regression , LR)進行結果比較。結果顯示，在ROC曲線下面積(Area under the ROC curve, AUC)方面，LR(0.67)和NB(0.66)之間的差異約可忽略不計，而MLP(0.62)和RF(0.61)與前述兩種方法相比明顯表現較為不佳。在F1評分方面，NB(27%)則明顯優於LR(1%)。顯示在有足夠相關數據可用於適當訓練的情況下，NB可能是一種在實踐上更能可靠預測跛行的機器學習方法。鑒於此次的數據集規模較小，且缺乏跛行發生前相關的環境條件資訊、管理及生產紀錄等農場資訊，本次結果主要探討使用機器學習預測模型來預測跛行發生率之可行性概念，期待其未來應用在精準乳牛飼養中。 |
|