Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado
La Asociación Colombiana de Criadores de Ganado Cebú - ASOCEBU, tiene interés en desarrollar una máquina para predecir la producción total diaria de leche empleando mediciones de producción parciales en ganado Gyr y, en particular, responder dos preguntas: 1) ¿puede un método predictivo de referenci...
- Autores:
-
Zea Higuera, Alberto
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Universidad Santo Tomás
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/49397
- Acceso en línea:
- http://hdl.handle.net/11634/49397
- Palabra clave:
- Estadísticas Aplicada
Ganado Cebú
Criaderos-Ganado
aprendizaje automático, control lechero, validación cruzada.
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SantoToma2_2d2fd7a5843b576445cc963d52da1e6a |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/49397 |
| network_acronym_str |
SantoToma2 |
| network_name_str |
Universidad Santo Tomás |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| title |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| spellingShingle |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado Estadísticas Aplicada Ganado Cebú Criaderos-Ganado aprendizaje automático, control lechero, validación cruzada. |
| title_short |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| title_full |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| title_fullStr |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| title_full_unstemmed |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| title_sort |
Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado |
| dc.creator.fl_str_mv |
Zea Higuera, Alberto |
| dc.contributor.advisor.none.fl_str_mv |
Martínez, Carlos Alberto |
| dc.contributor.author.none.fl_str_mv |
Zea Higuera, Alberto |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000115757 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.lemb.spa.fl_str_mv |
Estadísticas Aplicada Ganado Cebú Criaderos-Ganado |
| topic |
Estadísticas Aplicada Ganado Cebú Criaderos-Ganado aprendizaje automático, control lechero, validación cruzada. |
| dc.subject.proposal.spa.fl_str_mv |
aprendizaje automático, control lechero, validación cruzada. |
| description |
La Asociación Colombiana de Criadores de Ganado Cebú - ASOCEBU, tiene interés en desarrollar una máquina para predecir la producción total diaria de leche empleando mediciones de producción parciales en ganado Gyr y, en particular, responder dos preguntas: 1) ¿puede un método predictivo de referencia ser superado por métodos desarrollados a nivel local? 2) ¿cuál de los dos registros parciales (AM o PM) tiene un mejor desempeño predictivo? Por lo tanto, el objetivo de este artículo fue desarrollar una máquina predictiva para la producción diaria de leche en bovinos Gyr utilizando registros parciales, intervalo entre ordeños, días en lactancia, y número de partos (n=13806), mediante la implementación de métodos de aprendizaje supervisado. Además de la máquina predictiva de referencia, varias combinaciones de variables de entrada y modelo o método de aprendizaje fueron consideradas. Se emplearon redes neuronales arti ciales, máquinas de soporte vectorial, bosques aleatorios y regresión lineal cuyos parámetros de localización se estimaron mediante mínimos cuadrados o los métodos de encogimiento Ridge y Lasso. El desempeño predictivo (DP) se evaluó mediante validación cruzada utilizando las siguientes funciones de error: la raíz del error cuadrático medio (RECM) y el error absoluto medio (EAM). Se encontró que una red neuronal arti cial con una capa oculta empleando el registro parcial AM, intervalo entre ordeños, número de partos y días en leche como variables de entrada presentó el mejor DP (RECM=1.5042, EAM=1.1389), pero en general, el desempeño de los diferentes métodos fue similar. Todas las máquinas cuyos parámetros se aprendieron empleando los datos locales fueron superiores al método de referencia y los registros parciales de la mañana presentaron mejor DP que los de la tarde. Estos resultados permiten direccionar el programa de control lechero de ASOCEBU y generan un método "a la medida" para predecir la producción total diaria de leche en ganado Gyr en Colombia, un componente importante de los programas de mejoramiento genético y modelamiento del nivel productivo en esta raza. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-12-14 |
| dc.date.accessioned.none.fl_str_mv |
2023-02-07T01:51:53Z |
| dc.date.available.none.fl_str_mv |
2023-02-07T01:51:53Z |
| dc.type.local.spa.fl_str_mv |
Tesis de maestría |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Zea Higuera, A. (s.f.). Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/49397 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Zea Higuera, A. (s.f.). Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/49397 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Berry, D. P., Buckley, F. y Dillon, P. (2007), `Body condition score and live-weight e ects on milk production in irish holstein-friesian dairy cows', Animal 1(9), 1351-1359. Bishop, C. M. (2006), `Linear models for classi cation', Pattern recognition and machine learning pp. 179-224. Cassandro, M., Carnier, P., Gallo, L., Mantovani, R., Contiero, B., Bittante, G. y Jansen, G. (1995), `Bias and accuracy of single milking testing schemes to estimate daily and lactation milk yield', Journal of dairy science 78(12), 2884-2893. Cerón Muñoz, M. F., Corrales Álvarez, J. D. y Ramírez Arias, J. P. (2017), `Predicción de la producción de leche, porcentaje de grasa y proteína diaria a partir de registros del ordeño de la mañana o de la tarde en vacas holstein en pastoreo', Livestock Research for Rural Development 29(9), 166. Delorenzo, M. A. y Wiggans, G. R. (1986), `Factors for estimating daily yield of milk, fat, and protein from a single milking for herds milked twice a day', Journal of Dairy Science 69(9), 2386-2394. Ferro, D., Gil, J., Jiménez, A., Manrique, C. y Martínez, C. A. (2022), `Estimation of lactation curves of gyr cattle and some associated production parameters in the colombian low tropic', Revista Colombiana de Ciencias Pecuarias 35(1). Grzesiak, W., Lacroix, R., Wójcik, J. y Blaszczyk, P. (2003), `A comparison of neural network and multiple regression predictions for 305-day lactation yield using partial lactation records', Canadian Journal of Animal Science 83(2), 307-310. Hargrove, G. L. y Gilbert, G. R. (1984), `Differences in morning and evening sample milkings and adjustment to daily weights and percents', Journal of Dairy Science 67(1), 194-200. Hastie, T., Tibshirani, R., Friedman, J. H. y Friedman, J. H. (2009), The elements of statistical learning: data mining, inference, and prediction, Vol. 2, Springer. ICAR (2016), `Knowledge Management in Agriculture', THE GLOBAL STANDARD FOR LIVESTOCK DATA . *http://www.icar.org.in/en/information-resources.htm James, G., Witten, D., Hastie, T. y Tibshirani, R. (2013), An introduction to statistical learning, Vol. 112, Springer. Lee, D. y Min, H. (2013), `Estimation of daily milk yields from am/pm milking records', Journal of Animal Science and Technology 55(6), 489-500. Liu, Z., Reents, R., Reinhardt, F. y Kuwan, K. (2000), `Approaches to estimating daily yield from single milk testing schemes and use of am-pm records in test-day model genetic evaluation in dairy cattle', Journal of Dairy Science 83(11), 2672{2682. Lo, A., Cherno , H., Zheng, T. y Lo, S.-H. (2015), `Why signi cant variables aren't automatically good predictors', Proceedings of the National Academy of Sciences 112(45), 13892-13897. R Core Team (2021), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. *https://www.R-project.org/ Rodríguez Neira, J. D., Correa Londoño, G. A. y Echeverri Zuluaga, J. J. (2013), `Prediction models for total milk yield and fat percentage using partial samples', Revista Facultad Nacional de Agronomía Medellín 66(1), 6909-6917. |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Maestría Estadística Aplicada |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/49397/1/2022albertozea.pdf https://repository.usta.edu.co/bitstream/11634/49397/6/Carta%20derechos%20de%20autor.pdf https://repository.usta.edu.co/bitstream/11634/49397/9/Carta%20Aprobaci%c3%b3n%20Facultad.pdf https://repository.usta.edu.co/bitstream/11634/49397/7/license_rdf https://repository.usta.edu.co/bitstream/11634/49397/11/2022albertozea.pdf.jpg https://repository.usta.edu.co/bitstream/11634/49397/12/Carta%20derechos%20de%20autor.pdf.jpg https://repository.usta.edu.co/bitstream/11634/49397/13/Carta%20Aprobaci%c3%b3n%20Facultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/49397/10/license.txt |
| bitstream.checksum.fl_str_mv |
f2b275d49275d1c0b730e50f2be7bf6a b1c1ff7e3e5b8a4efe26064f9b6a2b0d 7154620c9b514027f313ce846f3a68f6 217700a34da79ed616c2feb68d4c5e06 2b3c3ec8a261f402d7b70503c2e95bc1 64e73b062fd7887592fda804501e2b65 73a0bdf2db66e6bd70e80735ae9c8cff aedeaf396fcd827b537c73d23464fc27 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1800786332507701248 |
| spelling |
Martínez, Carlos AlbertoZea Higuera, Albertohttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000115757Universidad Santo Tomás2023-02-07T01:51:53Z2023-02-07T01:51:53Z2022-12-14Zea Higuera, A. (s.f.). Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisado. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/49397reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLa Asociación Colombiana de Criadores de Ganado Cebú - ASOCEBU, tiene interés en desarrollar una máquina para predecir la producción total diaria de leche empleando mediciones de producción parciales en ganado Gyr y, en particular, responder dos preguntas: 1) ¿puede un método predictivo de referencia ser superado por métodos desarrollados a nivel local? 2) ¿cuál de los dos registros parciales (AM o PM) tiene un mejor desempeño predictivo? Por lo tanto, el objetivo de este artículo fue desarrollar una máquina predictiva para la producción diaria de leche en bovinos Gyr utilizando registros parciales, intervalo entre ordeños, días en lactancia, y número de partos (n=13806), mediante la implementación de métodos de aprendizaje supervisado. Además de la máquina predictiva de referencia, varias combinaciones de variables de entrada y modelo o método de aprendizaje fueron consideradas. Se emplearon redes neuronales arti ciales, máquinas de soporte vectorial, bosques aleatorios y regresión lineal cuyos parámetros de localización se estimaron mediante mínimos cuadrados o los métodos de encogimiento Ridge y Lasso. El desempeño predictivo (DP) se evaluó mediante validación cruzada utilizando las siguientes funciones de error: la raíz del error cuadrático medio (RECM) y el error absoluto medio (EAM). Se encontró que una red neuronal arti cial con una capa oculta empleando el registro parcial AM, intervalo entre ordeños, número de partos y días en leche como variables de entrada presentó el mejor DP (RECM=1.5042, EAM=1.1389), pero en general, el desempeño de los diferentes métodos fue similar. Todas las máquinas cuyos parámetros se aprendieron empleando los datos locales fueron superiores al método de referencia y los registros parciales de la mañana presentaron mejor DP que los de la tarde. Estos resultados permiten direccionar el programa de control lechero de ASOCEBU y generan un método "a la medida" para predecir la producción total diaria de leche en ganado Gyr en Colombia, un componente importante de los programas de mejoramiento genético y modelamiento del nivel productivo en esta raza.The Asociación Colombiana de Criadores de Ganado Cebú - ASOCEBU, has interest in developing a machine to predict total daily milk yield using partial production measurements in Gyr cattle and, in particular, answering two questions: 1) can a reference predictive method be outperformed by locally developed methods? 2) which one of the two partial records (AM or PM) has a better predictive performance? Therefore, the objective of this paper was to develop a predictive machine for daily milk yield in Gyr cattle using partial records, milking interval, days in milk, and parity (n=13806), by implementing supervised learning methods. Besides the reference predictive machine, several combinations of input variables and model or learning method were considered. Arti cial neural networks, support vector machines, random forests, and linear regression with location parameters estimated via least squares, or the shrinkage methods Ridge and Lasso were used. The predictive performance (PP) was assessed through crossvalidation using the following error functions: square root of mean square error (RMSE) and mean absolute error (MAE). It was found that an arti cial neural network with a single hidden layer and the AM partial record, milking interval, parity and days in milk as input variables had the best PP (RMSE=1.5042, MAE=1.1389), but in general, the performance of the methods was similar. All machines whose parameters were learned using local data outperformed the reference method and the morning partial records showed a better PP than those from the afternoon. These results permit guiding ASOCEBU's milk control program and generate a "tailormade" method to predict total daily milk yield of Gyr cattle in Colombia, a relevant component of the genetic improvement and productivity modelling programs of this breed.Magister en Estadística AplicadaMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Estadística AplicadaFacultad de EstadísticaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Predicción de la producción diaria de leche en bovinos Gyr a través de métodos de aprendizaje supervisadoEstadísticas AplicadaGanado CebúCriaderos-Ganadoaprendizaje automático, control lechero, validación cruzada.Tesis de maestríainfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáBerry, D. P., Buckley, F. y Dillon, P. (2007), `Body condition score and live-weight e ects on milk production in irish holstein-friesian dairy cows', Animal 1(9), 1351-1359.Bishop, C. M. (2006), `Linear models for classi cation', Pattern recognition and machine learning pp. 179-224.Cassandro, M., Carnier, P., Gallo, L., Mantovani, R., Contiero, B., Bittante, G. y Jansen, G. (1995), `Bias and accuracy of single milking testing schemes to estimate daily and lactation milk yield', Journal of dairy science 78(12), 2884-2893.Cerón Muñoz, M. F., Corrales Álvarez, J. D. y Ramírez Arias, J. P. (2017), `Predicción de la producción de leche, porcentaje de grasa y proteína diaria a partir de registros del ordeño de la mañana o de la tarde en vacas holstein en pastoreo', Livestock Research for Rural Development 29(9), 166.Delorenzo, M. A. y Wiggans, G. R. (1986), `Factors for estimating daily yield of milk, fat, and protein from a single milking for herds milked twice a day', Journal of Dairy Science 69(9), 2386-2394.Ferro, D., Gil, J., Jiménez, A., Manrique, C. y Martínez, C. A. (2022), `Estimation of lactation curves of gyr cattle and some associated production parameters in the colombian low tropic', Revista Colombiana de Ciencias Pecuarias 35(1).Grzesiak, W., Lacroix, R., Wójcik, J. y Blaszczyk, P. (2003), `A comparison of neural network and multiple regression predictions for 305-day lactation yield using partial lactation records', Canadian Journal of Animal Science 83(2), 307-310.Hargrove, G. L. y Gilbert, G. R. (1984), `Differences in morning and evening sample milkings and adjustment to daily weights and percents', Journal of Dairy Science 67(1), 194-200.Hastie, T., Tibshirani, R., Friedman, J. H. y Friedman, J. H. (2009), The elements of statistical learning: data mining, inference, and prediction, Vol. 2, Springer.ICAR (2016), `Knowledge Management in Agriculture', THE GLOBAL STANDARD FOR LIVESTOCK DATA . *http://www.icar.org.in/en/information-resources.htmJames, G., Witten, D., Hastie, T. y Tibshirani, R. (2013), An introduction to statistical learning, Vol. 112, Springer.Lee, D. y Min, H. (2013), `Estimation of daily milk yields from am/pm milking records', Journal of Animal Science and Technology 55(6), 489-500.Liu, Z., Reents, R., Reinhardt, F. y Kuwan, K. (2000), `Approaches to estimating daily yield from single milk testing schemes and use of am-pm records in test-day model genetic evaluation in dairy cattle', Journal of Dairy Science 83(11), 2672{2682.Lo, A., Cherno , H., Zheng, T. y Lo, S.-H. (2015), `Why signi cant variables aren't automatically good predictors', Proceedings of the National Academy of Sciences 112(45), 13892-13897.R Core Team (2021), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. *https://www.R-project.org/Rodríguez Neira, J. D., Correa Londoño, G. A. y Echeverri Zuluaga, J. J. (2013), `Prediction models for total milk yield and fat percentage using partial samples', Revista Facultad Nacional de Agronomía Medellín 66(1), 6909-6917.ORIGINAL2022albertozea.pdf2022albertozea.pdfapplication/pdf309469https://repository.usta.edu.co/bitstream/11634/49397/1/2022albertozea.pdff2b275d49275d1c0b730e50f2be7bf6aMD51open accessCarta derechos de autor.pdfCarta derechos de autor.pdfCarta derechos de autorapplication/pdf181469https://repository.usta.edu.co/bitstream/11634/49397/6/Carta%20derechos%20de%20autor.pdfb1c1ff7e3e5b8a4efe26064f9b6a2b0dMD56metadata only accessCarta Aprobación Facultad.pdfCarta Aprobación Facultad.pdfCarta Aprobación Facultadapplication/pdf140490https://repository.usta.edu.co/bitstream/11634/49397/9/Carta%20Aprobaci%c3%b3n%20Facultad.pdf7154620c9b514027f313ce846f3a68f6MD59metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/49397/7/license_rdf217700a34da79ed616c2feb68d4c5e06MD57open accessTHUMBNAIL2022albertozea.pdf.jpg2022albertozea.pdf.jpgIM Thumbnailimage/jpeg7048https://repository.usta.edu.co/bitstream/11634/49397/11/2022albertozea.pdf.jpg2b3c3ec8a261f402d7b70503c2e95bc1MD511open accessCarta derechos de autor.pdf.jpgCarta derechos de autor.pdf.jpgIM Thumbnailimage/jpeg7360https://repository.usta.edu.co/bitstream/11634/49397/12/Carta%20derechos%20de%20autor.pdf.jpg64e73b062fd7887592fda804501e2b65MD512open accessCarta Aprobación Facultad.pdf.jpgCarta Aprobación Facultad.pdf.jpgIM Thumbnailimage/jpeg8354https://repository.usta.edu.co/bitstream/11634/49397/13/Carta%20Aprobaci%c3%b3n%20Facultad.pdf.jpg73a0bdf2db66e6bd70e80735ae9c8cffMD513open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/49397/10/license.txtaedeaf396fcd827b537c73d23464fc27MD510open access11634/49397oai:repository.usta.edu.co:11634/493972023-05-09 09:38:54.692open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |