Classificação do Desempenho dos Rebanhos de Seleção Nelore por meio de Aprendizado de Máquina
Resumo
O objetivo deste trabalho foi, por meio de técnicas de mineração de dados, classificar os animais de dois rebanhos da Embrapa, em função das réguas de DEP genômicas (DEPg), para identificar os principais atributos (características) que direcionam o entendimento dos diferentes objetivos de seleção nos dois rebanhos. Selecionaram-se oito atributos, para análise de classificação dos animais. Para realizar a classificação dos animais em função do rebanho foram utilizados três algoritmos supervisionados, buscando verificar qual apresentaria o melhor desempenho: árvore de decisão (J48), árvores de modelo logístico (LMT) e floresta randômica (Random Forest - RF). O algoritmo mais acurado foi o Random Forest, que modelou os dados com maior ajuste e acurácia.
Referências
Bissacot, A. C. G., Salgado, S. A. B., Balestrassi, P. P., Paiva, A. P., Zambroni Souza, A. C., Wazen, R. (2016). Comparison of neural networks and logistic regression in assessing the occurrence of failures in steel structures of transmission lines. The Open Electrical & Electronic Engineering Journal, 10, p. 11-26.
Breiman, L. (2001) Random forests. Machine learning, v. 45, p. 5-32.
Chafai N., Hayah, I., Houaga, I., Badaoui, B. A. (2023) A review of machine learning models applied to genomic prediction in animal breeding. Frontiers in Genetics. Sep 6;14:1150596. doi: 10.3389/fgene.2023.1150596.
Dresch, L. de O., Figueiredo, A. M. R., Fagundes, M. B. B. (2022) A digitalização do campo e a democratização da ciência de dados: perspectivas para aplicação por produtores agropecuários. COLÓQUIO - Revista do Desenvolvimento Regional, 19, p. 310-328.
Friedman, J., Hastie, T., Tibshirani, R. (2000) Special invited paper. additive logistic regression: A statistical view of boosting. Annals of Statistics, p. 337-374.
Hall, M. (2000). Correlation-based feature selection for discrete and numeric class machine learning. In P. Langley (Ed.), Proceedings of the Seventeenth International Conference on Machine Learning (pp. 359–366). Stanford, CA. San Francisco: Morgan Kaufmann..
Garrick, D. (2011) The nature, scope and impact of genomic prediction in beef cattle in the United States.Genetic Selection Evolution. p. 43:17. doi: 10.1186/1297-9686-43-17
Landwehr, N., Hall, M., Frank, E. (2005). Logistic Model Trees. Machine Learning. 95, p. 161-205.
Nobre, P. R. C., Silva, L. O. C. da, Rosa, A. do N, Menezes, G. R. de O. (2013) Programa Embrapa de melhoramento de gado de corte - GENEPLUS. ). In: Rosa, A. do N., Martins. E. N., Menezes, G. R. de O., Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 19. p. 224-35
Portes, J. V., Menezes, G. R. O., Silva, L. O. C., MacNeil, M. D., Abreu, U. G. P., Lacerda, V. V., Braccini Neto, J. (2021). Selection indexes for Nellore production system in the Brazilian Pantanal. Revista Brasileira de Zootecnia 2021. 50:e20200264.
Rosa, A do N F, Menezes, G. R. de O., Egito, A. A. do.(2013). Recursos genéticos e estratégias de melhoramento.(2013). In: Rosa, A. do N., Martins. E. N., Menezes, G. R. de O., Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 2, p. 11-26.
Torres, Jr. R. A. de A., Silva, L. O. C. da, Menezes, G. R. de O., Nobre, P. R. C., (2013) Melhoramento animal na era das DEPS.(2013) In: Rosa, A. do N.; Martins. E. N.; Menezes, G. R. de O.; Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 13. p. 149-166
Witten, I. H., Frank, E., Hall, M. A. (2011) Data mining: practical machine learning tools and techniques. 3ed. San Francisco: Morgan Kaufmann.
Breiman, L. (2001) Random forests. Machine learning, v. 45, p. 5-32.
Chafai N., Hayah, I., Houaga, I., Badaoui, B. A. (2023) A review of machine learning models applied to genomic prediction in animal breeding. Frontiers in Genetics. Sep 6;14:1150596. doi: 10.3389/fgene.2023.1150596.
Dresch, L. de O., Figueiredo, A. M. R., Fagundes, M. B. B. (2022) A digitalização do campo e a democratização da ciência de dados: perspectivas para aplicação por produtores agropecuários. COLÓQUIO - Revista do Desenvolvimento Regional, 19, p. 310-328.
Friedman, J., Hastie, T., Tibshirani, R. (2000) Special invited paper. additive logistic regression: A statistical view of boosting. Annals of Statistics, p. 337-374.
Hall, M. (2000). Correlation-based feature selection for discrete and numeric class machine learning. In P. Langley (Ed.), Proceedings of the Seventeenth International Conference on Machine Learning (pp. 359–366). Stanford, CA. San Francisco: Morgan Kaufmann..
Garrick, D. (2011) The nature, scope and impact of genomic prediction in beef cattle in the United States.Genetic Selection Evolution. p. 43:17. doi: 10.1186/1297-9686-43-17
Landwehr, N., Hall, M., Frank, E. (2005). Logistic Model Trees. Machine Learning. 95, p. 161-205.
Nobre, P. R. C., Silva, L. O. C. da, Rosa, A. do N, Menezes, G. R. de O. (2013) Programa Embrapa de melhoramento de gado de corte - GENEPLUS. ). In: Rosa, A. do N., Martins. E. N., Menezes, G. R. de O., Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 19. p. 224-35
Portes, J. V., Menezes, G. R. O., Silva, L. O. C., MacNeil, M. D., Abreu, U. G. P., Lacerda, V. V., Braccini Neto, J. (2021). Selection indexes for Nellore production system in the Brazilian Pantanal. Revista Brasileira de Zootecnia 2021. 50:e20200264.
Rosa, A do N F, Menezes, G. R. de O., Egito, A. A. do.(2013). Recursos genéticos e estratégias de melhoramento.(2013). In: Rosa, A. do N., Martins. E. N., Menezes, G. R. de O., Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 2, p. 11-26.
Torres, Jr. R. A. de A., Silva, L. O. C. da, Menezes, G. R. de O., Nobre, P. R. C., (2013) Melhoramento animal na era das DEPS.(2013) In: Rosa, A. do N.; Martins. E. N.; Menezes, G. R. de O.; Silva, L. O. C. da (Ed.). Melhoramento genético aplicado em gado de corte: Programa Geneplus-Embrapa. Brasília, DF: Embrapa; Campo Grande, MS: Embrapa Gado de Corte. Capítulo 13. p. 149-166
Witten, I. H., Frank, E., Hall, M. A. (2011) Data mining: practical machine learning tools and techniques. 3ed. San Francisco: Morgan Kaufmann.
Publicado
08/11/2023
Como Citar
ABREU, Urbano G. P.; THOLON, Patrícia; LIMA, Helano P. de.
Classificação do Desempenho dos Rebanhos de Seleção Nelore por meio de Aprendizado de Máquina. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 270-277.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26568.
