准确评估猪的营养需要量并实现精准营养配方,对于提高饲料资源利用效率及推动我国生猪养殖产业发展具有重要意义。本研究通过挖掘和分析已有文献数据,旨在构建基于分类算法的生长育肥猪营养需要量预测模型,并筛选出最佳模型,以探究分类...准确评估猪的营养需要量并实现精准营养配方,对于提高饲料资源利用效率及推动我国生猪养殖产业发展具有重要意义。本研究通过挖掘和分析已有文献数据,旨在构建基于分类算法的生长育肥猪营养需要量预测模型,并筛选出最佳模型,以探究分类算法在构建更科学合理的猪饲养标准中的可行性。从Web of Science数据库中检索近十年内有关“杜×长×大”猪能量和氨基酸需要量的文献,筛选出包含完整饲粮营养水平与生长性能数据的文献,整理形成初始数据集。将初始数据集中75%的数据划分为训练集,25%的数据划分为验证集,分别使用决策树(DT)、人工神经网络(ANN)和k-最近邻(KNN)3种机器学习算法构建分类模型。结果表明,基于KNN算法构建的分类模型在生长育肥猪营养需要量的预测上表现最佳[k=4,验证集上误分类率(MCR)=0.374]。利用KNN算法可成功构建适用于“杜×长×大”生长育肥猪营养需要量预测的分类模型,为建立更科学的猪饲养标准及精准饲喂技术提供了基础支撑。展开更多
文摘准确评估猪的营养需要量并实现精准营养配方,对于提高饲料资源利用效率及推动我国生猪养殖产业发展具有重要意义。本研究通过挖掘和分析已有文献数据,旨在构建基于分类算法的生长育肥猪营养需要量预测模型,并筛选出最佳模型,以探究分类算法在构建更科学合理的猪饲养标准中的可行性。从Web of Science数据库中检索近十年内有关“杜×长×大”猪能量和氨基酸需要量的文献,筛选出包含完整饲粮营养水平与生长性能数据的文献,整理形成初始数据集。将初始数据集中75%的数据划分为训练集,25%的数据划分为验证集,分别使用决策树(DT)、人工神经网络(ANN)和k-最近邻(KNN)3种机器学习算法构建分类模型。结果表明,基于KNN算法构建的分类模型在生长育肥猪营养需要量的预测上表现最佳[k=4,验证集上误分类率(MCR)=0.374]。利用KNN算法可成功构建适用于“杜×长×大”生长育肥猪营养需要量预测的分类模型,为建立更科学的猪饲养标准及精准饲喂技术提供了基础支撑。
