Machine Translated by Google
Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
INTRODUÇÃO
Com uma população mundial crescente projetada para atingir
9 bilhões de pessoas até 2050 (ONU, 2019), é fundamental
melhorar a eficiência da indústria agrícola.
Melhorar a eficiência alimentar é um objetivo importante de
muitos produtores de leite, pois a alimentação é o principal custo do leite poderiam melhorar a previsão de CMS de
associado à produção leiteira (Hemme et al., 2014). A ingestão
de matéria seca é um componente crucial que influencia a
eficiência animal e será de grande utilidade para melhorar os
atuais programas de melhoramento de avaliação genética (de
Haas et al., 2015). No entanto, o CMS é uma característica
cara para medir em vacas individuais em sistemas comerciais
(Dórea et al., 2018). É reconhecido que a avaliação genética de
vacas leiteiras necessita de grandes conjuntos de dados; no
entanto, devido à complexidade e ao custo envolvidos na
medição do CMS, apenas pequenos conjuntos de dados para
consumo de ração estão disponíveis atualmente (Wallén et al.,
2017). Consequentemente, o principal fator que dificulta a
avaliação genética do consumo de ração em programas de
criação de gado leiteiro é o acesso regular a dados fenotípicos
de consumo de ração de uma grande população animal
registrada de forma contínua, idealmente a baixo custo, para obter alta precisãocanadenses,
No Canadá, o projeto de pesquisa Efficient Dairy Genome
(https://genomedairy.ualberta.ca/) estabeleceu uma colaboração aumentar o tamanho e a variabilidade dos dados para melhorar
internacional para compartilhar fenótipos de DMI para ampliar
os bancos de dados nacionais individuais.
A espectroscopia de refletância no infravermelho médio (MIR)
(MIRS) em amostras de leite pode ser uma alternativa acessível
para prever o CMS em nível populacional (Shetty et al., 2017).
Milk MIRS é baseado na interação entre matéria e ondas
eletromagnéticas entre 900 e 5.000 cm-1 (De Marchi et al.,
2014), e é amplamente utilizado em sistemas comerciais de
registro de laticínios para prever os componentes do leite. Nesse
contexto, o MIRS tem se mostrado eficiente na predição de
fenótipos para a composição de ácidos graxos do leite (Soyeurt
et al., 2006, 2011; Fleming et al., 2017), composição de proteínas
do leite (Rutten et al., 2011), corpos (van der Drift et al., 2012) e
composição mineral (Soyeurt et al., 2009).
Até onde sabemos, o primeiro estudo sobre predição de CMS
usando leite MIRS foi realizado por Shetty et al. (2017). No
entanto, naquele estudo, os autores utilizaram o método dos
mínimos quadrados parciais (PLS) , que pode não ser o ideal
devido à alta dimensionalidade das variáveis preditoras (n =
1.060 comprimentos de onda, WL) e ao fato de que pode haver
uma variação não linear relação entre alguns WL e DMI (Dórea
et al., 2018). Assim, embora o método PLS tenha sido usado
principalmente na pesquisa MIRS para desenvolver modelos de
previsão (por exemplo, Soyeurt et al., 2006; McParland et al.,
2011), as redes neurais artificiais (ANN) podem potencialmente
produzir previsões mais precisas ( Gianola et al., 2011; Felipe
et al., 2015). As RNA são inspiradas no sistema nervoso
humano, e
Journal of Dairy Science Vol. 105 Nº 10, 2022
8258
eles são compostos de neurônios interconectados dispostos em
camadas (Bishop, 2006). Nesse contexto, a ANN pode capturar
relacionamentos mais complicados entre as variáveis de entrada
e o resultado da resposta em comparação com o PLS.
Os objetivos deste estudo foram (1) avaliar se os dados MIRS
vacas Holstein canadenses usando dados do Canadá e parceiros
internacionais; (2) para investigar a capacidade de
diferentes arquiteturas de RNA lineares e não lineares e
regressão PLS para prever DMI; e (3) validar a robustez dos
modelos de predição desenvolvidos.
MATERIAIS E MÉTODOS
Coleta de Dados e Controle de Qualidade
Um total de 7.398 CMS médio semanal de 509 vacas leiteiras
de primeira e segunda lactação distribuídas no Canadá (4.863
amostras de 290 vacas), Estados Unidos (1.563 amostras de
127 vacas) e Dinamarca (972 amostras de 92 vacas) foram
analisadas. Com o objetivo de predizer o CMS apenas de vacas
holandesas
dados do
de seleção (Wallén Canadá
et al., e parceiros
2018).
internacionais (Estados Unidos e Dinamarca) foram usados para
a generalização do modelo ao longo da lactação. Os dados
foram coletados entre 2014 e 2018, e foram obtidos do banco
de dados Efficient Dairy Genome Project (https://
genomadairy.ualberta.ca/). Todos os procedimentos com animais
foram aprovados pelos comitês de cuidados e uso de animais
nas universidades e centros de pesquisa que forneceram dados
para esta pesquisa (ou seja, o Dairy Research and Technology
Center, Edmonton, Canadá; o Ontario Dairy Research Centre,
Elora, Canadá; o Danish Cattle Research Center, Foulum,
Dinamarca; e o USDA Agricultural Research Service, Beltsville,
MD) e todos os animais foram cuidados de acordo com as
respectivas diretrizes nacionais sobre cuidados com animais de
cada país.
Todas as amostras individuais de leite da manhã e da noite
foram analisadas usando espectrômetros MilkoScan FT+ (Foss),
que geraram um espectro para cada amostra de leite analisada.
Para cada vaca, a média semanal de CMS foi calculada e, em
seguida, foi mesclada com os dados MIRS correspondentes
(consulte a próxima seção), com base na data do teste. Como
parte do peso corporal da vaca era originalmente peso parcial,
o peso corporal metabólico da vaca (BW0,75, MBW) foi
padronizados para uma média e variância comuns. Para
calcular os valores ausentes de MBW, uma regressão linear foi
ajustada usando os registros de MBW disponíveis para cada
animal e PROC GLM (versão 9.4; SAS Institute Inc.). Vacas
sem PC disponível foram excluídas das análises de predição de
CMS. CMS médio semanal fora do intervalo de Q1 ÿ 1,5(Q3 ÿ
Q1) e Q3 + 1,5(Q3 ÿ Q1)
Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8259

Tabela 1. Estatísticas descritivas dos dados, média e DP do CMS, produção de leite, peso corporal metabólico, idade ao parto, DIM das vacas registradas e número total de vacas e
registros

Canadá Estados Unidos Dinamarca Todos

Variável1 Significar SD Significar SD Significar SD Significar SD

CMS média semanal (kg/d) 18,70 3,76 19,36 3,58 19,84 3,49 18,99 3.71
Dia do teste MY (kg/d) 33,33 6,76 41,39 7,71 34,50 7,37 35,19 7.76
Dia do teste FY (g/d) 1.329,78 299,71 1.522,19 302,47 1.347,35 270,32 1.372,74 306,55
PY do dia do teste (g/d) 1.061,79 201,06 1.159,05 200,47 1.204,62 232,34 1.101,10 212,79
MBW 132,02 9,72 123,84 8,74 134,62 10,01 130,63 10.22
CA (mês) 28,01 5,99 27,38 5,71 28,92 6,01 27,99 5,95
DIM (d) 122,25 75,89 85,16 70,66 145,01 81,48 117,41 77,76
Número de registros 4.863 1.563 972 7.398
Número de vacas 290 127 92 509
1
MY = produção de leite; FY = rendimento de gordura; PY = rendimento de proteína; MBW = PC metabólico; AC = idade ao parto.

foram considerados outliers e descartados para vacas de primeira
e segunda lactação, onde Q1 e Q3 representam o primeiro e
terceiro quartis, respectivamente. As estatísticas descritivas dos
registros fenotípicos são apresentadas na Tabela 1.
O registro do DMI foi focado em diferentes estágios da lactação
nos Estados Unidos (início da lactação), Canadá (pós-pico da
lactação) e Dinamarca (meio da lactação), então, juntos, os
conjuntos de dados dos 3 países cobriram mais do toda a
lactação (Tabela 1).
Dados de espectroscopia de refletância de infravermelho
médio e pré-tratamentos
Para cada amostra de leite, os dados MIRS do leite continham
1.060 WL na faixa infravermelha de 925 a 5.008 cm-1.
Devido à alta absorção de água, os dados MIRS de regiões entre
1.600 a 1.700 cm-1 e > 3.005 cm-1 foram removidos (Shetty et
al., 2017).
Os pré-tratamentos espectrais são frequentemente aplicados
aos dados do MIRS para obter modelos de previsão robustos
(Rinnan et al., 2009). Nesta pesquisa, a correção de dispersão
multiplicativa (Martens e Naes, 1989) foi adotada para reduzir o
ruído no espectro. Este método de pré-processamento leva em
conta variações de dispersão de luz em dados espectrais e
remove não linearidades induzidas por dispersão de partículas
(Martens e Naes, 1989).
As primeiras derivadas de Savitzky-Golay (Savitzky e Golay,
1964), usando largura de filtro 7 e um polinômio de segunda
ordem, também foram aplicadas aos dados espectrais. Os pré-
tratamentos de espectros de primeira derivada são comumente
usados para melhorar a resolução e para aguçar as bandas de
absorção em amostras espectrais (Savitzky e Golay, 1964). Após
os pré-tratamentos, um total de 505 WL de cada amostra de leite
estava disponível para análise.
Conjuntos de Preditores
Para cada registro de espectro de leite, a média semanal
correspondente de CMS (kg/d), produção de leite no dia do teste (MY,
kg/d), rendimento de gordura (AF, g/d) e rendimento de proteína
(PY, g/d), MBW, idade ao parto (AC), ano de parto, época de
parto, DIM, número de lactação, país , e informações sobre o
rebanho estavam disponíveis. Sete conjuntos diferentes
de preditores (variáveis independentes) foram projetados para
prever a média semanal de CMS de vacas individuais usando
ANN. As médias semanais foram utilizadas neste estudo porque
tendem a representar melhor a eficiência das vacas, já que o
CMS e outras características de eficiência alimentar apresentam
alta variabilidade diária (Seymour et al., 2020). Além disso, as
avaliações genéticas e genômicas oficiais para eficiência
alimentar no Canadá também são baseadas em médias semanais
(Jamrozik e Kistemaker, 2020). Os conjuntos preditores diferem
pelos preditores incluídos no seguinte: conjunto 1 (MY, AC e
DIM), conjunto 2 (MY, FY, PY, AC e DIM), conjunto 3 (MY, FY,
PY, MBW, AC, e DIM), conjunto 4 (505 WL, AC e DIM), conjunto
5 [MY, MBW, AC, DIM e 36 componentes principais (PC)
explicando mais de 99% da variação MIR WL], conjunto 6 (MY,
FY, PY, MBW, AC, DIM e 36 PC de MIR WL), conjunto 7 (MY,
FY, PY, MBW, AC, DIM e 505 MIR WL). Em todas as análises,
os efeitos fixos de classificação de país, estação de parto e
número de lactação sempre foram incluídos nos modelos de
predição. Vale ressaltar que FY e PY foram valores previstos a
partir dos espectros do leite.
Nos conjuntos 1 a 3, o modelo mais simples (ou seja, MY, AC e
DIM) foi considerado primeiro e, em seguida, mais preditores
foram adicionados um a um, mas sem incluir os dados do MIRS.
O conjunto 4 foi considerado para avaliar quanto da variação
DMI poderia ser explicada usando apenas 505 comprimentos de
onda MIR. No conjunto 5, FY e PY do conjunto 3 foram
substituídos por 36 PC de MIRS para avaliar se os dados do
MIRS poderiam ou não melhorar a previsão de CMS em
comparação com o uso de componentes não específicos do leite
(ou seja, FY e PY). Componentes principais foram usados porque
em RNA, à medida que o número de neurônios aumenta, o
número de parâmetros a serem estimados também aumenta
drasticamente, o que pode levar a um problema de overfitting.
No conjunto 6, 36 PC de MIRS foram adicionados aos preditores do conjunto

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
para investigar se o uso de PC de comprimentos de onda MIR
melhoraria ou não a previsão de CMS em comparação com o uso de
todos os 505 comprimentos de onda, como no conjunto 7. Portanto,
no conjunto 7, todos os preditores disponíveis, incluindo os dados
MIRS do leite integral, foram usados para prever o CMS. Vale ressaltar
que no estudo de Dórea et al. (2018), os comprimentos de onda MIR
selecionados (ou seja, 33 comprimentos de onda MIR), usando um
método de manta Markov, melhoraram a previsão DMI por ANN em
comparação com o uso de todos os comprimentos de onda MIR (ou
seja, 361 comprimentos de onda MIR).
Modelos de ANN
O perceptron feed-forward de 2 camadas, também conhecido como
rede neural feed-forward de camada oculta única, é uma forma
comumente aplicada de ANN para regressão. Essas RNA possuem
uma camada de entrada de nós de origem e uma unidade de saída
que estão totalmente conectadas, com apenas uma camada oculta
entre eles, conforme mostrado na Figura 1. Esse tipo de rede pode
aproximar bem a maioria das funções matemáticas, portanto são
aproximadores universais de lineares e funções não lineares (Alados
et al., 2004). Matematicamente, é possível visualizar o mapeamento
dessas RNA como uma regressão em 2 etapas (Hastie et al., 2009).
A ideia principal é extrair combinações lineares das entradas como
funções de base na camada oculta e, em seguida, modelar o alvo na
camada de saída como uma função dessas funções de base (Ehret
et al., 2015). Na camada oculta, as variáveis explicativas xij (para j =
1, …, m, onde m
indica o número de variáveis explicativas) de um indivíduo i (para i =
1, ..., n, onde n é o número de indivíduos) são combinados linearmente
com um vetor peso determinado na fase de treinamento, mais um
w1
[]t intercepto em (também chamado de “bias” na terminologia ANN),
j direção de descida mais íngreme (negativo do gradiente) para diminuí-
com t = 1, s denotando o número de neurônios na camada oculta. A
..., pontuação linear resultante é então convertida em
gerar a saída do único neurônio oculto zi
usando uma função de ativação ft (.), como segue:
ÿ m
[]t ÿ
ÿ
z
fat = +
eu
ÿ
t ÿÿ
j=1
ÿÿ
ÿ ÿ
onde todos os termos foram previamente definidos.
A função de ativação da tangente hiperbólica
ÿ
e
x ÿ
e
ÿ
x ÿ
pode ser usado nos neurônios ocultos
ÿ ÿ
tanh x
ÿ
ÿ
ÿ
ÿ
()= x ÿ
x ÿÿ
e + e
ÿ ÿ
modelar a relação não linear entre fenótipo e entrada, o que permite
que a RNA tenha maior flexibilidade do que os modelos de regressão
linear convencionais (MacKay e Mac Kay, 2003). As saídas das
funções de base, resultantes da camada oculta, são linearmente
Journal of Dairy Science Vol. 105 Nº 10, 2022
8260
combinados na camada de saída usando w21, w22, ..., w2s
pesos e um intercepto b. A pontuação linear resultante é convertida
no neurônio de saída, desta vez usando uma função de ativação
linear gt(.) para calcular o fenótipo previsto do indivíduo i (para i =
1, ..., n), como segue:
ÿ s ÿ
[]t
ÿ
ÿ ÿ
ygb = +
eu t
ÿ
ÿ
wz 2 ti
ÿ
ÿ
, [2]
ÿ
ÿ t= 1
ÿÿ ÿ
onde yi é o fenótipo do animal i, e todos os outros termos foram
previamente definidos.
O treinamento da ANN inclui a minimização de uma função de erro
que depende dos pesos sinápticos da rede (w na Figura 1) e vieses.
Esses pesos e vieses são atualizados iterativamente para aproximar
a variável alvo por um algoritmo de aprendizado. Back-propagation é
um algoritmo de aprendizado supervisionado baseado em uma função
de erro apropriada, cujos valores são especificados pelo alvo (isto é,
média semanal DMI) e pelas saídas previstas da rede (isto é, valores
ajustados médios semanais de DMI). Um algoritmo de retropropagação
é aplicado para determinar pesos e vieses em uma arquitetura
perceptron multicamada para minimizar o erro quadrático médio
usando métodos de gradiente descendente (Okut et al., 2011). Com
base na entrada e na saída favorecida, os pesos e vieses da RNA
são atualizados continuamente durante o processo de treinamento.
Em cada iteração de treinamento, um perceptron multicamadas
consiste em 2 etapas: as etapas de avanço e retropropagação. Na
etapa de feedforward, as entradas passam pela rede neural da
camada de entrada em direção à camada de saída e, passando pelos
neurônios da camada oculta e da camada de saída, com base nos
pesos, vieses e funções ativadoras do rede neural, eles cedem às
saídas da rede neural. O back-propagation step back propaga os erros
na rede e minimiza a função de erro atualizando pesos e bias na
la (Beale et al., 2010). Os passos para frente e para trás são
executados recorrentemente até que a solução da RNA corresponda
ao valor favorecido dentro de um limite pré-especificado (Haykin,
2009; Hajmeer et al., 2006).
[]t()
ÿ
[]t ÿ
[1]
ÿ
largura ÿ
,
x1j eu j
ÿÿ
Semelhante a outros métodos paramétricos e não paramétricos,
como regressão de kernel e splines de suavização, a ANN pode levar
ao overfitting e o modelo de previsão pode mostrar baixa generalização
(Guo et al., 2003; Feng et al., 2006; Wang et al., 2009). O overfitting
resulta de um número excessivo de parâmetros estimados e pode
ocorrer devido ao aumento do número de neurônios na camada oculta
(Alados et al., 2004).
A regularização bayesiana e a parada antecipada com validação
cruzada (CVES) são 2 métodos padrão para evitar o superajuste na
ANN. Ao contrário do treinamento de rede padrão
Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8261

[]t
Figura 1. Arquitetura de uma rede neural feed-forward de 2 camadas: xij = entrada da rede; c 1j = peso da rede desde a entrada até a camada oculta;
w2t = peso da rede da camada oculta para a camada de saída; at = intercepto (também chamado de viés), com t = 1, ..., s, denotando o número de neurônios
na camada oculta; b = interceptação do neurônio da camada de saída; yi = saída da rede (por exemplo, DMI predito do indivíduo); ft (.) = função de ativação
nos neurônios ocultos; gt (.) = função de ativação no neurônio de saída, onde o subscrito i refere-se aos indivíduos (de 1 a n), j refere-se às variáveis
explicativas (de 1 a m) e t refere-se ao número de neurônios (de 1 a s).

método, onde um conjunto ideal de pesos e vieses é selecionado F = ÿ | |ED w

D ( M, )+ Eÿ
w(
c ) M , [3]
minimizando uma função de erro, o método bayesiano inclui uma
distribuição de probabilidade de pesos de rede. Consequentemente,
onde ED ( ) D w| ,M e Ew ( ) w M| são a soma dos erros de
as previsões da rede também vêm de uma distribuição de
previsão ao quadrado e pesos, respectivamente, considerando o
probabilidade (Sorich et al., 2003). A função objetivo em RNA
conjunto de dados de calibração (D), pesos de rede (w) e
bayesiana (por exemplo, BRANN) tem um termo adicional que
arquitetura (M). Os ÿ e ÿ são parâmetros de regularização que
penaliza pesos grandes e introduz viés nas estimativas de
devem ser estimados conforme Foresee e Hagan, (1997). O
parâmetros em direção a valores considerados plausíveis, ao
segundo termo do lado direito da Equação [3], conhecido como
mesmo tempo em que diminui sua variância. Assim, existe um
decaimento do peso, promove valores baixos de w e alivia a
trade-off bias-variância que visa obter um mapeamento mais
tendência do modelo de superajustar os dados. Portanto, o
suave (Okut et al., 2011). Em seguida, a otimização baseada em
treinamento envolve um trade-off entre a complexidade do
gradiente é usada para minimizar a seguinte função (F), que é
modelo e a qualidade do ajuste (Tit terington, 2004).
equivalente a uma verossimilhança logarítmica penalizada:

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
Com a técnica CVES, os dados de calibração são divididos em
conjuntos de treinamento e validação. O treinamento da RNA
envolve um processo iterativo. Primeiramente, é realizada a
estimativa dos pesos e vieses da RNA, usando o conjunto de
treinamento e, em seguida, esses parâmetros estimados são
aplicados para calcular os erros de predição no conjunto de
validação. À medida que o procedimento itera, os parâmetros
estimados usando os dados de treinamento são aplicados para
fazer previsões no conjunto de validação para determinar quais
parâmetros estimados geram os erros médios de previsão mais
baixos para os dados de validação. Para evitar o overfitting, o
treinamento para quando o erro no conjunto de validação aumenta
em um determinado número de épocas sucessivas (iterações).
As estimativas de parâmetros da ANN com o melhor desempenho
no conjunto de validação são então usadas para avaliar o
capacidade preditiva da rede (Okut et al., 2013).
Neste estudo, os algoritmos de treinamento Levenberg-
Marquardt (LM), gradiente conjugado escalado (SCG) e
regularização bayesiana (BR) foram aplicados para treinar a RNA.
Detalhes adicionais sobre LM, SCG e BR podem ser encontrados
em Hagan e Menhaj (1994), Møller (1993) e MacKay (1992),
respectivamente. O método CVES foi aplicado para LM e SCG
para evitar overfitting. Cada conjunto de validação consistia em
10% de todos os dados escolhidos aleatoriamente do conjunto de
calibração. Daqui em diante, ANN com algoritmos de treinamento
BR, LM e SCG são referidos como BRANN, LMANN e SCGANN ,
respectivamente.
Desenvolvimento de modelo
Para o ajuste da RNA foi utilizado o Matlab (Beale et al., 2010).
Cada rede tinha 3 camadas (isto é, camadas de entrada, ocultas
e de saída). Duas combinações de funções de ativação foram
aplicadas: (1) um conjunto de funções de ativação linear da
camada de entrada para a camada oculta e da camada oculta
para a camada de saída, e (2) um conjunto de funções de ativação
sigmoide da tangente hiperbólica da camada de entrada camada
para a camada oculta, mais uma função de ativação linear da
camada oculta para a camada de saída. No conjunto 1, o número
de neurônios na camada oculta era constante e igual a um, mas
no conjunto 2 o número de neurônios na camada oculta variava
de 1 a 10. O primeiro e o segundo conjuntos de RNA foram
chamados de RNA linear e não linear , respectivamente. Conforme
afirmado por Gianola et al. (2011) e Pérez-Rodríguez et al. (2013),
BRANN linear pode produzir resultados aproximadamente
correspondentes a BLUP e regressão de crista. Antes do
processamento, o Matlab redimensiona automaticamente todas
as variáveis de entrada e saída usando a função “mapminmax”
para aumentar a estabilidade numérica no intervalo [ÿ1, +1].
Esse dimensionamento de recursos garante que todas as fontes
de dados sejam tratadas igualmente na fase de treinamento, o
que geralmente tem um grande efeito nas soluções finais (Hastie
et al., 2009).
Journal of Dairy Science Vol. 105 Nº 10, 2022
8262
Parâmetros de ajuste
No aprendizado de máquina, os algoritmos geralmente têm um
conjunto de parâmetros de ajuste que influenciam como o algoritmo
de aprendizado ajusta os dados. Por exemplo, o número de
camadas, o número de neurônios em cada camada, a taxa de
aprendizado e outros recursos em uma RNA perceptron
multicamada são parâmetros de ajuste, também chamados de
hiperparâmetros. Neste estudo, os hiperparâmetros foram
escolhidos usando validação cruzada (ou seja, objetivo, épocas,
max_fail, min_grad e tempo) e valores padrão do Matlab (ou seja,
mu, mu_dec, mu_inc, mu_max, sigma e lambda), pois eles são
considerados valores ótimos para a maioria dos problemas de
regressão. Informações detalhadas sobre os hiperparâmetros
podem ser encontradas na Tabela 2. Para todos os conjuntos de
preditores, os hiperparâmetros definidos foram mantidos constantes.
Avaliação da robustez do modelo de previsão
Dois tipos de validação cruzada de 10 vezes foram
implementados para avaliar as habilidades preditivas da RNA.
O primeiro consistia em excluir 10% de todos os registros de
animais no Canadá, Dinamarca e Estados Unidos (validação A), e
o segundo consistia em excluir 10% de todas as vacas no Canadá,
Dinamarca e Estados Unidos (validação B). Os dados foram
divididos em 10 subconjuntos. Um subconjunto (o conjunto de
teste) foi descartado para avaliar a capacidade preditiva do modelo
de CMS apenas de vacas canadenses, enquanto os outros 9
subconjuntos foram usados como conjuntos de calibração para
estimar os parâmetros do modelo. Durante as execuções de
validação cruzada, cada um dos 10 subconjuntos foi usado uma
vez como conjunto de teste. Tal procedimento foi aplicado para
evitar ter os mesmos dados de calibração dos Estados Unidos e
Dinamarca em todas as validações cruzadas de 10 vezes, o que
causaria dependência nos conjuntos de calibração. Portanto, do
número total de vacas (ou registros) no conjunto de teste, em
média, 29 (486 registros) eram vacas canadenses (registros) e
foram usadas para avaliar a capacidade de predição dos modelos.
A capacidade preditiva dos modelos de RNA nos conjuntos de
teste foi avaliada com base em sua precisão [r; ou seja, o
coeficiente de correlação de Pearson entre os valores médios
semanais de DMI observados e previstos, a raiz do erro quadrático
médio (RMSE) e a razão entre o desempenho e o desvio (RPD),
que é o desvio padrão do DMI dividido pelo RMSE. Antes de cada
validação cruzada de 10 vezes, 10 réplicas usando diferentes
valores iniciais para pesos e vieses foram aplicadas a cada
arquitetura de RNA. Os valores iniciais foram escolhidos
aleatoriamente para evitar que o algoritmo de treinamento da rede
neural artificial ficasse preso no mínimo local da função de erro.
Dessas 10 réplicas, o parâmetro estimado da réplica com a
correlação máxima de Pearson
Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8263

coeficiente entre valores preditos e observados no conjunto
de calibração (para BRANN) ou conjunto de treinamento (para
LMANN e SCGANN) foi aplicado para avaliar a robustez
preditiva da RNA no conjunto de teste correspondente.
Regressão Parcial de Mínimos Quadrados
Para fins de comparação com estudos anteriores, a
regressão PLS também foi aplicada para prever o CMS,
usando o pacote PLS em R (Mevik et al., 2013). O número
ideal de variáveis latentes para o modelo de regressão PLS
para cada validação cruzada de 10 vezes foi determinado
usando a correlação máxima de Pearson entre DMI observado
e previsto nos conjuntos de validação (ou seja, os 10% de
todos os dados escolhidos aleatoriamente de o conjunto de
calibração) quando o número de variáveis latentes foi alterado
de 1 para 100 para os conjuntos 4 e 7 (para reduzir o número
de variáveis latentes) e de 1 para o número de preditores para
os outros conjuntos. Em seguida, o número ideal determinado
de variáveis latentes foi usado para fazer um modelo de
previsão usando os dados de calibração correspondentes (ou
seja, dados de treinamento e validação) para cada
Validação cruzada de 10 vezes.
Testes Estatísticos
ajuste para comparações múltiplas. O modelo ANOVA incluiu
amostras de 10 vezes como um fator aleatório (ou seja,
bloqueio para amostras de 10 vezes) e conjuntos preditores,
modelos (ou seja, regressão linear e não linear ANN e PLS),
algoritmos de treinamento, métodos de validação e conjuntos
preditores como fixos fatores categóricos.
RESULTADOS
As comparações entre conjuntos preditores, modelos e
algoritmos de treinamento foram muito semelhantes no
método de validação A ou B, mas a validação B produziu
estatísticas de ajuste consistentemente mais baixas do que a
validação A (P < 0,0001; Tabela Suplementar S1, https://doi.org/
10.5281/zenodo.6632059; Shadpour et al., 2022). Como a
validação B é mais prática, pois o DMI de novos animais é
previsto, apenas os resultados da validação B são
apresentados e discutidos a seguir, com análises estatísticas
detalhadas fornecidas na Tabela Suplementar S2 (https://
doi.org/10.5281/zenodo.6632059 ; Shadpour et al., 2022). Os
resultados da validação A são fornecidos nas Tabelas
Suplementares S3 e S4 (https://doi.org/
10.5281/zenodo.6632059; Shadpour et al., 2022). Além disso,
são apresentadas apenas comparações estatísticas para
precisão de previsão, porque os resultados para RMSE e RPD
seguiram tendências semelhantes.

Diferenças nas estatísticas de ajuste (ou seja, r, RMSE e descrição de dados

RPD) entre 7 conjuntos de preditores (ou seja, conjuntos de
preditores), 3 tipos de algoritmos de treinamento (ou seja, BR,
LM e SCG), regressão linear e não linear ANN e PLS e 2 tipos
de métodos de validação (ou seja, validações A e B) foram
testados via SAS PROC GLM, usando Scheffé
Os valores fenotípicos médios dos diferentes conjuntos de
preditores para as 509 vacas, nos dias em que os dados do
MIRS estavam disponíveis, estão resumidos na Tabela 1.
CMS médio semanal e seus correspondentes dias de teste MY, FY,

Tabela 2. Hiperparâmetros usados nas redes neurais artificiais (ANN) baseadas nos algoritmos de treinamento Levenberg-Marquardt (LMANN),
gradiente conjugado escalonado (SCGANN) e regularização bayesiana (BRANN)

ANN linear ANN não linear

Hiperparâmetro1 BRANN LMANN SCGANN BRANN LMANN SCGANN

0
épocas 0 70 0 0 10.000 0 50 0 1.000
de meta —
3.000
—
300
max_fail min_grad 1e-100 70 6 1e-100 1e-100 50 6 1e-100
tempo infinito 1e-100 infinito infinito 1e-100 infinito
mu 0,005 infinito 0,001 — 0,1 0,005 infinito 0,001 —
mu_dec 0,1 10 —
0,1 0,1 —

mu_inc 10 —
10 10 —

mu_max 1e10 1e10 —

1e10 1e10 —

sigma
— —
5.0e-5 — —
5.0e-5
lambda — —
5.0e-7 — —
5.0e-7
1
meta = meta de desempenho; epochs = número máximo de épocas para treinar; max_fail = máximo de falhas de validação; min_grad = gradiente
mínimo de desempenho; time = tempo máximo para treinar em segundos; mu = momento inicial; mu_dec = mu fator de diminuição; mu_inc = fator
de aumento mu; mu_max = mu máximo; sigma = determina a mudança no peso para a aproximação da segunda derivada; lambda = parâmetro
para regular a indefinição do Hessian. Os primeiros 5 hiperparâmetros (ou seja, objetivo, epochs, max_fail, min_grad e time) foram escolhidos
usando validação cruzada. Os outros hiperparâmetros (ou seja, mu, mu_dec, mu_inc, mu_max, sigma e lambda) eram valores padrão do Matlab,
que são ótimos para a maioria dos problemas de regressão.

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8264

Tabela 3. Estatísticas de ajuste das redes neurais artificiais (ANN) usando o algoritmo de treinamento de regularização bayesiana (BRANN) para prever a média semanal de CMS
em gado leiteiro holandês canadense usando a validação B (baseada em vacas individuais) nos conjuntos de teste1

Set2 capacidade preditiva eu NN1 NN2 NN3 NN4 NN5 NN6 NN7 NN8 NN9 NN10

1 r 0,471 0,526 0,529 0,546 0,533 0,537 0,537 0,530 0,539 0,534 0,532
RMSE 3,332 3,230 3,212 3,165 3,203 3,195 3,205 3,217 3,201 3,217 3.227
RPD 1,114 1,149 1,156 1,172 1,159 1,162 1,158 1,154 1,160 1,153 1.150
2 r 0,488 0,531 0,556 0,554 0,554 0,563 0,572 0,581 0,576 0,575 0,569
RMSE 3,314 3,220 3,145 3,142 3,144 3,123 3,101 3,087 3,091 3,105 3.120
RPD 1,120 1,154 1,181 1,181 1,181 1,188 1.197 1,202 1,200 1,194 1.189
3 r 0,510 0,543 0,576 0,577 0,572 0,575 0,593 0,577 0,591 0,588 0,577
RMSE 3,267 3,194 3,104 3,095 3,104 3,099 3,047 3,097 3,065 3,077 3.121
RPD 1,136 1,162 1,196 1,198 1,196 1,199 1,218 1,197 1,210 1,206 1.190
4 r 0,636 0,637 0,641 0,653 0,65 0,654 0,654 0,651 0,634 0,656 0,635
RMSE 2,915 2,909 2,905 2,863 2,893 2,895 2,875 2,924 2,964 2,909 2.983
RPD 1,273 1,275 1,276 1,296 1,282 1,283 1,292 1,268 1,253 1,275 1.244
5 r 0,652 0,655 0,663 0,682 0,691 0,714 0,710 0,706 0,711 0,714 0,698
RMSE 2,866 2,860 2,833 2,770 2,732 2,643 2,674 2,696 2,665 2,649 2.724
RPD 1,293 1.297 1,309 1,340 1,357 1,404 1,388 1,377 1,391 1,402 1.364
6 r 0,658 0,662 0,672 0,693 0,692 0,725 0,716 0,713 0,705 0,707 0,705
RMSE 2,845 2,832 2,805 2,719 2,723 2,600 2,640 2,655 2,685 2,683 2.708
RPD 1,304 1,310 1,322 1,365 1,363 1,427 1,407 1,400 1,384 1,386 1.372
7 r 0,689 0,691 0,692 0,705 0,719 0,729 0,721 0,720 0,708 0,728 0,725
RMSE 2,740 2,728 2,734 2,699 2,650 2,601 2,625 2,630 2,688 2,616 2.625
RPD 1 .354 1,361 1 .357 1 .374 1,400 1 .426 1,414 1 .411 1 .383 1 .421 1.415
1
L = rede neural linear; NN = número de neurônios na camada oculta de redes neurais não lineares. Os resultados mostrados nesta tabela são idades médias com base em uma
validação cruzada de 10 vezes.
2
Os conjuntos de variáveis explicativas usadas são definidos da seguinte forma: (1) MY, AC e DIM; (2) MY, FY, PY, AC e DIM; (3) MY, FY, PY, MBW, AC e DIM; (4) AC, DIM e 505
WL; (5) MY, MBW, AC, DIM e 36 componentes principais de WL; (6) MY, FY, PY, MBW, AC, DIM e 36 componentes principais de WL; e (7) MY, FY, PY, MBW, AC, DIM e 505 WL,
onde MY = produção de leite, AC = idade ao parto, FY = rendimento de gordura, PY = rendimento de proteína, MBW = PC metabólico e WL = Comprimento de onda. Todos os
conjuntos também incluíram país, estação de parto e número de lactação como efeitos fixos categóricos. A capacidade preditiva do BRANN foi avaliada por meio do coeficiente de
correlação de Pearson calculado entre os valores de DMI observados e preditos (r), a raiz do erro quadrático médio (RMSE) e a razão de desempenho para desvio (RPD).

PY, MBW, AC e DIM foram 18,99 kg, 35,19 kg, 1.372,7 g,
1.101,1 g, 130,63 kg 0,75 , 28,0 meses e 117,4 dias,
respectivamente.
Efeitos Ambientais Categóricos Comuns
entre conjuntos
Em todos os conjuntos analisados (conjuntos 1-7), país,
estação de parto e número de lactação sempre foram incluídos
como efeitos ambientais fixos categóricos. Suas contribuições
para a precisão da previsão foram pequenas. Por exemplo,
ao usar BRANN e Validação A, sua contribuição conjunta
variou de 0,014 a 0,075. As mesmas características para a
validação B foram de ÿ0,012 a 0,014.
Comparação entre conjuntos de preditores, modelos e
algoritmos de treinamento usando validação B
As estatísticas de ajuste de BRANN, LMANN e CS GANN
para vacas leiteiras da raça Holandesa Canadense usando a
validação B são apresentadas nas Tabelas 3 a 5,
respectivamente. A previsão da média semanal de CMS
usando MY como a única característica de produção (conjunto previsão de DMI em comparação com o conjunto 5 (P =
1) resultou nas piores estatísticas de ajuste em comparação
com os outros conjuntos preditores (P < 0,0001, Tabela
Suplementar S2). A precisão preditiva para o conjunto 1 variou deSCGANN.
para BRANN, 0,472 a 0,55 para LMANN e 0,473 a 0,546 para
SCGANN. A adição de FY e PY (conjunto 2) melhorou o
desempenho da predição (P < 0,0001).
A precisão preditiva variou de 0,488 a 0,581 para BRANN,
0,489 a 0,567 para LMANN e 0,484 a 0,58 para SCGANN.
Quando o MBW foi incluído no modelo de previsão (conjunto
3), as estatísticas de ajuste melhoraram (P < 0,0001).
A precisão preditiva variou de 0,51 a 0,593 para BRANN,
0,512 a 0,591 para LMANN e 0,511 a 0,591 para SCGANN.
Quando as características de produção de leite foram
substituídas por espectros de leite (505 WL) no conjunto 4, a
precisão preditiva aumentou consideravelmente (P < 0,0001)
e variou de 0,634 a 0,656 para BRANN, 0,603 a 0,645 para
LMANN e 0,635 a 0,652 para SCGANN.
A substituição de FY e PY pelo PC de WL (conjunto 5)
resultou em uma melhoria maior nas estatísticas de ajuste (P
< 0,0001). A precisão preditiva variou de 0,652 a 0,714 para
BRANN, 0,653 a 0,703 para LMANN e 0,652 a 0,709 para
SCGANN. Por outro lado, combinar FY e PY com MY, SMBY
e o PC de WL (conjunto 6) não teve um efeito importante na
0,57 ) . A precisão preditiva variou de 0,658 a 0,725 para
BRANN, 0,659 a 0,713 para LMANN e 0,658 a 0,707 para
0,471 a 0,546

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8265

Tabela 4. Estatísticas de ajuste das redes neurais artificiais (ANN) usando o algoritmo de treinamento de Levenberg-Marquardt (LMANN) para prever a média semanal de CMS em
gado leiteiro holandês canadense usando a validação B (baseada em vacas individuais) nos conjuntos de teste1

Set2 capacidade preditiva eu NN1 NN2 NN3 NN4 NN5 NN6 NN7 NN8 NN9 NN10

1 r 0,472 0,525 0,531 0,542 0,550 0,529 0,529 0,532 0,527 0,540 0,517
RMSE 3,333 3,230 3,208 3,176 3,157 3,209 3,217 3,212 3,225 3,203 3.265
RPD 1.114 1,149 1,157 1,168 1,175 1.157 1,154 1,155 1,151 1,160 1.138
2 r 0,489 0,532 0,556 0,558 0,552 0,558 0,567 0,555 0,553 0,553 0,560
RMSE 3,305 3,217 3,141 3,131 3,157 3,125 3,107 3,144 3,159 3,162 3.137
RPD 1,123 1,155 1.183 1,185 1,176 1,189 1,195 1,181 1,174 1,172 1.184
3 r 0,512 0,542 0,575 0,577 0,567 0,578 0,591 0,581 0,574 0,565 0,558
RMSE 3,262 3,195 3,103 3,097 3,115 3,098 3,058 3,116 3,115 3,157 3.159
RPD 1,137 1,162 1,196 1,198 1,192 1,197 1,214 1,191 1,191 1,175 1.175
4 r 0,643 0,645 0,633 0,635 0,631 0,625 0,617 0,625 0,634 0,603 0,619
RMSE 2,897 2,889 2,934 2,95 2,978 2,989 3,044 3,038 3,02 3,14 3.097
RPD 1,281 1,284 1,265 1,258 1,246 1,243 1,223 1,221 1,227 1,183 1.199
5 r 0,653 0,656 0,665 0,672 0,697 0,700 0,703 0,695 0,696 0,694 0,694
RMSE 2,864 2,854 2,827 2,798 2,714 2,714 2,694 2,729 2,709 2,724 2.765
RPD 1,295 1,300 1,313 1,326 1,367 1,366 1,377 1,361 1,370 1,362 1.341
6 r 0,659 0,663 0,675 0,686 0,698 0,713 0,704 0,702 0,699 0,703 0,703
RMSE 2,843 2,831 2,793 2,748 2,706 2,661 2,697 2,695 2,724 2,696 2.716
RPD 1,305 1,311 1,328 1,350 1,372 1,395 1,377 1,379 1,361 1,377 1.368
7 r 0,695 0,703 0,690 0,702 0,703 0,699 0,679 0,680 0,679 0,691 0,682
RMSE 2,719 2,685 2,754 2,709 2,706 2,753 2,827 2,848 2,824 2,806 2.832
RPD 1,365 1 .382 1,349 1. 370 1,369 1,350 1,312 1 .308 1. 315 1,324 1.313
1
L = rede neural linear; NN = número de neurônios na camada oculta de redes neurais não lineares. Os resultados mostrados nesta tabela são idades médias com base em uma
validação cruzada de 10 vezes.
2
Os conjuntos de variáveis explicativas usadas são definidos da seguinte forma: (1) MY, AC e DIM; (2) MY, FY, PY, AC e DIM; (3) MY, FY, PY, MBW, AC e DIM; (4) AC, DIM e 505
WL; (5) MY, MBW, AC, DIM e 36 componentes principais de WL; (6) MY, FY, PY, MBW, AC, DIM e 36 componentes principais de WL; e (7) MY, FY, PY, MBW, AC, DIM e 505 WL;
onde MY = produção de leite, AC = idade ao parto, FY = produção de gordura, PY = produção de proteína, MBW = PV metabólico e WL = comprimento de onda. Todos os conjuntos
também incluíram país, estação de parto e número de lactação como efeitos fixos categóricos. A capacidade preditiva do LMANN foi avaliada usando o coeficiente de correlação de
Pearson calculado entre os valores de DMI observados e preditos (r), a raiz do erro quadrático médio (RMSE) e a razão de desempenho para desvio (RPD).

Tabela 5. Estatísticas de ajuste das redes neurais artificiais (ANN) usando o algoritmo de treinamento de gradiente conjugado (SCGANN) para prever a média semanal de CMS em
gado leiteiro holandês canadense usando a validação B (baseada em vacas individuais) nos conjuntos de teste1

Set2 capacidade preditiva eu NN1 NN2 NN3 NN4 NN5 NN6 NN7 NN8 NN9 NN10

1 r 0,473 0,525 0,527 0,546 0,545 0,532 0,536 0,539 0,530 0,526 0,539
RMSE 3,331 3,230 3,216 3,165 3,176 3,200 3,201 3,193 3,219 3,246 3.197
RPD 1,114 1,149 1,155 1,172 1,169 1,159 1,160 1,162 1,154 1,143 1.160
2 r 0,484 0,532 0,557 0,554 0,563 0,565 0,580 0,566 0,580 0,561 0,562
RMSE 3,315 3,217 3,141 3,140 3,125 3,117 3,090 3,126 3,088 3,142 3.145
RPD 1,120 1,155 1.183 1,182 1,188 1,191 1,201 1,188 1,202 1,181 1.181
3 r 0,511 0,543 0,575 0,577 0,577 0,584 0,591 0,578 0,574 0,584 0,584
RMSE 3,261 3,193 3,102 3,091 3,083 3,072 3,050 3,097 3,097 3,092 3.084
RPD 1,137 1,163 1.197 1,200 1,204 1,208 1,218 1,198 1,198 1.200 1.204
4 r 0,640 0,635 0,642 0,645 0,652 0,652 0,641 0,65 0,646 0,643 0,635
RMSE 2,906 2,917 2,903 2,914 2,891 2,898 2,945 2,922 2,94 2,98 3.005
RPD 1,277 1,272 1.277 1,272 1.284 1,279 1,258 1,269 1,261 1,246 1.235
5 r 0,652 0,655 0,661 0,686 0,695 0,701 0,694 0,709 0,693 0,690 0,700
RMSE 2,865 2,856 2,844 2,751 2,715 2,692 2,735 2,682 2,731 2,757 2.703
RPD 1,294 1,298 1,305 1,348 1,367 1,381 1,357 1,384 1,360 1,346 1.374
6 r 0,658 0,661 0,675 0,689 0,697 0,701 0,702 0,706 0,692 0,707 0,703
RMSE 2,847 2.834 2,782 2,743 2,723 2,712 2,705 2,682 2,743 2,693 2.695
RPD 1,303 1.309 1,332 1,352 1,363 1,369 1,374 1,383 1,352 1,379 1.377
7 r 0,692 0,692 0,695 0,700 0,711 0,717 0,717 0,705 0,726 0,720 0,710
RMSE 2,730 2,727 2,726 2,703 2,673 2,655 2,650 2,697 2,626 2,655 2.692
RPD 1,359 1,361 1,361 1 .374 1,387 1 0,395 1,399 1,375 1. 415 1,395 1.380
1
L = rede neural linear; NN = número de neurônios na camada oculta de redes neurais não lineares. Os resultados mostrados nesta tabela são idades médias com base em uma
validação cruzada de 10 vezes.
2
Os conjuntos de variáveis explicativas usadas são definidos da seguinte forma: (1) MY, AC e DIM; (2) MY, FY, PY, AC e DIM; (3) MY, FY, PY, MBW, AC e DIM; (4) AC, DIM e 505
WL; (5) MY, MBW, AC, DIM e 36 componentes principais de WL; (6) MY, FY, PY, MBW, AC, DIM e 36 componentes principais de WL; e (7) MY, FY, PY, MBW, AC, DIM e 505 WL;
onde MY = produção de leite, AC = idade ao parto, FY = produção de gordura, PY = produção de proteína, MBW = PV metabólico e WL = comprimento de onda. Todos os conjuntos
também incluíram país, estação de parto e número de lactação como efeitos fixos categóricos. A capacidade preditiva do SCGANN foi avaliada usando o coeficiente de correlação
de Pearson calculado entre os valores de DMI observados e previstos (r), a raiz do erro quadrático médio (RMSE) e a razão de desempenho para desvio (RPD).

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8266

O uso de todos os WL combinados com MY, FY, PY e MBW (ou
seja, conjunto 7) resultou nas melhores estatísticas de ajuste em
comparação com os outros conjuntos (P < 0,0001). A precisão
preditiva variou de 0,689 a 0,729 para BRANN, 0,679 a 0,703 para
LMANN e 0,692 a 0,726 para SCGANN.
Para todos os conjuntos preditores, a ANN não linear forneceu
melhor capacidade de previsão em comparação com a ANN linear.
A regressão PLS produziu resultados muito semelhantes em
comparação com ANN linear (P = 0,99, Tabela 6 e Tabela
Suplementar S2). Para todos os conjuntos, as habilidades preditivas
dos 3 algoritmos de treinamento de rede neural foram semelhantes,
mas o BRANN e o SCGANN tiveram um desempenho ligeiramente
melhor do que o LMANN (P < 0,0001).
Neste estudo, dados do Canadá, Dinamarca e Estados Unidos
foram combinados para aumentar o tamanho e a variabilidade dos
dados de treinamento e melhorar a generalização dos modelos de
predição ao longo da lactação. Como o registro do CMS foi focado
em diferentes estágios da lactação nos Estados Unidos, Canadá e
Dinamarca (DIM médio de 85 d, 122 d e 145 d, respectivamente,
com desvios padrão variando de 71 a 81 d; Tabela
1), conjuntamente os conjuntos de dados dos 3 países abrangidos
mais de toda a lactação.
A capacidade de predição do CMS de vacas canadenses usando
dados do Canadá, Dinamarca e Estados Unidos ou apenas dados
do Canadá foi muito semelhante, mas foi, em média, um pouco
melhor quando todos os 3 países foram usados.
Como ilustração, a Tabela 7 mostra as estatísticas médias de
encaixe em todas as 11 ANN testadas usando BRANN para prever
a média semanal de CMS de vacas canadenses usando o conjunto
preditor 7, validação B e dados apenas do Canadá ou Canadá,
Dinamarca e Estados Unidos combinados nos conjuntos de teste
para toda a lactação ou diferentes períodos de lactação. Os
resultados mostram um ajuste geral ligeiramente melhor dos modelos
ao usar os conjuntos de dados combinados e um ajuste ligeiramente
melhor no início e no final da lactação quando comparados com o
uso apenas de dados canadenses. Esses resultados apoiaram o
uso de dados combinados do Canadá, Estados Unidos e Dinamarca
para desenvolver previsões de DMI de canadenses.
vacas.

DISCUSSÃO

Tabela 6. Estatísticas de ajuste do modelo de regressão de mínimos quadrados

O objetivo do presente estudo foi avaliar a predição da média
parciais (PLS) para prever média semanal de CMS em gado leiteiro Holstein canadense
usando a validação B (baseada em vacas individuais) nos conjuntos de teste semanal de CMS em bovinos leiteiros da raça Holandesa Canadense
usando dados MIRS do leite, além de outros preditores comumente
Set1 Habilidade preditiva2 PLS
disponíveis, incluindo MY, componentes do leite e MBW, usando
1 r 0,467 ANN e PLS, e dados combinados de Canadá e 2 parceiros
RMSE 3.342
1.111
internacionais, Dinamarca e Estados Unidos. previsão precisa de
RPD
2 r 0,486
RMSE 3.313
RPD 1.120
3 r 0,506
RMSE 3.274 Tabela 7. Estatísticas de ajuste médio em todas as 11 redes neurais artificiais (ANN)
RPD 1.133 testadas usando o algoritmo de treinamento de regularização bayesiana (BRANN)
4 r 0,637 para prever a média semanal de CMS em gado leiteiro canadense Holstein em
RMSE 2.916 diferentes períodos de lactação usando o conjunto preditor 7, validação B (com base
RPD 1.273 em individual vacas)1
5 r 0,652
RMSE 2.867 Conjunto de teste

RPD 1.293
6 r 0,658 Estatística2 DIM CA Todos

RMSE 2.845
RPD 1.304 r 5–305 0,708 0,712
7 r 0,665 5–90 0,702 0,712
RMSE 2.821 91–180 0,604 0,593
RPD 1.315 181–305 0,503 0,506
1 RMSE 5–305 2,702 2.667
Os conjuntos de variáveis explicativas usadas são definidos da seguinte forma: (1) 5–90 2,727 2.665
MY, AC e DIM; (2) MY, FY, PY, AC e DIM; (3) MY, FY, PY, MBW, AC e DIM; (4) AC, 91–180 2,607 2.626
DIM e 505 WL; (5) MY, MBW, AC, DIM e 36 componentes principais de WL; (6) MY, 181–305 2,758 2.696
FY, PY, MBW, AC, DIM e 36 componentes principais de WL; e (7) MY, FY, PY, MBW, RDP 5–305 1,376 1.392
AC, DIM e 505 WL; onde MY = produção de leite, AC = idade ao parto, FY = produção 5–90 1,356 1.389
de gordura, PY = produção de proteína, MBW = PV metabólico e WL = comprimento 91–180 1,228 1.217
de onda. Todos os conjuntos também incluíram país, estação de parto e número de 181–305 1,089 1.110
lactação como efeitos fixos categóricos.
1
Os conjuntos de teste incluíram dados apenas do Canadá (CA) ou Canadá, Dinamarca
2
A capacidade preditiva da regressão PLS foi avaliada usando o coeficiente de e Estados Unidos juntos (Todos).
2
correlação de Pearson calculado entre os valores de DMI observados e previstos (r), A capacidade preditiva do BRANN foi avaliada usando o coeficiente de correlação de
a raiz do erro quadrático médio (RMSE) e a razão de desempenho para desvio (RPD). Pearson calculado entre os valores de DMI observados e preditos (r), a raiz do erro
Os resultados mostrados nesta tabela são médias baseadas em uma validação quadrático médio (RMSE) e a razão de desempenho para desvio (RPD).
cruzada de 10 vezes.

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8267

A média semanal de CMS de vacas individuais pode auxiliar no
gerenciamento de custos de alimentação e permitir a melhoria
genética para o desempenho alimentar, fornecendo dados em
larga escala para a previsão de valores genéticos. Conforme
afirmado por Wallén et al. (2018), pelo menos 4.000 novilhas
genotipadas e fenotipadas precisam ser adicionadas anualmente
à população de referência para melhorar geneticamente a
eficiência alimentar usando seleção genômica. Fornecer a um
número tão grande de animais medidas de consumo de ração
a baixo custo é um desafio. Uma solução possível para superar
esse dilema é a medição indireta do consumo de ração a partir
de outros dados disponíveis, como o MIRS. Portanto, é de
particular interesse avaliar a capacidade preditiva das diferentes e relataram menor precisão de predição em comparação com o
combinações de conjuntos de preditores atualmente disponíveis, presente estudo ao usar dados MIRS para prever a média
bem como a utilidade dos modelos ANN e PLS.
Validação cruzada para avaliar a robustez do modelo
A validação cruzada foi usada para identificar o conjunto ideal hipótese de que o MBW contribui para explicar a variação do
de preditores e arquitetura de RNA, e para avaliar a robustez
dos modelos de predição. Os modelos de predição para média
semanal de IMS foram avaliados usando 2 tipos de validação
cruzada de 10 vezes: validação em registros individuais (A) e
animais (B). Na validação A, os registros da mesma vaca foram
apresentados nos conjuntos de calibração e teste, o que
provavelmente levou a uma inflação nas previsões do modelo.
Neste contexto, uma situação mais realista foi considerada na
validação B, onde 10% das vacas foram retiradas dos dados de
calibração em cada um dos 10-folds. Portanto, a validação B
avaliou como o modelo se comportaria ao prever a média
semanal de CMS para novas vacas. As dependências de dados
entre os conjuntos de calibração e teste, que foram relatadas
quando animais dos mesmos rebanhos são incluídos nos
conjuntos de dados de calibração e teste, podem inflar o
desempenho da previsão (por exemplo, Wang e Bovenhuis,
2019; Coelho Ribeiro et al., 2021). No entanto, nem sempre é
assim, como no estudo de Lahart et al. (2019), onde a precisão
média da previsão de CMS em conjuntos de teste usando
apenas MIRS e MIRS combinados com MY, F%, P%, BW,
estágio de lactação e paridade, usando validações cruzadas
dentro e entre rebanhos, foi de 0,69, 0,87, 0,55 e 0,80,
respectivamente.
Existem alguns aspectos no estudo atual que podem sugerir
que os resultados não foram visivelmente afetados por
dependências de dados entre a calibração e os conjuntos de teste. nas estatísticas de ajuste.
Nenhum dos 7 conjuntos de variáveis preditivas incluiu o efeito
de manada. A previsão de DMI usando apenas o efeito de
rebanho resultou em um desempenho de previsão muito ruim
(resultados não mostrados). Isso sugere que o efeito manada
não tem uma grande contribuição para a previsão de CMS.
Além disso, o BRANN adaptado usou a regularização para lidar
com o overfitting. A regularização penaliza pesos grandes e
proporciona um ajuste mais suave. Consequentemente, nos
modelos regularizados, todas as características contribuem para fazer
ing uma predição, o que quase garante que a predição final não
venha de dependências entre calibração e conjuntos de teste
(ou seja, todos os recursos não podem ter grandes dependências
entre calibração e conjuntos de teste ao mesmo tempo).
Conjuntos de Preditores
O desempenho preditivo de 7 combinações diferentes de
conjuntos de preditores foi investigado neste estudo.
Wallen et al. (2018) avaliaram a predição de CMS em vacas
leiteiras Norwegian Red em lactação usando dados PLS e MIRS
semanal de CMS. A adição de componentes do leite (ou seja,
FY e PY) ao MY melhorou as previsões médias semanais de
CMS, que concordaram com os resultados de Shetty et al.
(2017) e Wallén et al. (2017). Nossos resultados suportam a
CMS em bovinos leiteiros, porque a capacidade de predição
melhorou quando o MBW foi adicionado ao modelo.
Esses achados estão de acordo com os resultados de estudos
anteriores em bovinos leiteiros (por exemplo, Shetty et al., 2017;
Dórea et al., 2018; Wallén et al., 2018). A melhoria nas
estatísticas de ajuste quando as informações do MIRS foram
combinadas com os outros preditores (ou seja, conjuntos 4-7)
indica que o MIRS fornece algumas informações adicionais para
prever a média semanal de CMS. Nesse contexto, deve-se
destacar que a inclusão de todos os MIRS WL (ou seja, conjunto
7) resultou em melhor predição da média semanal de CMS em
comparação com os conjuntos de preditores que incluíram o PC
de WL (ou seja, conjuntos 5 e 6). No entanto, quando apenas
MIRS WL foram incluídos no modelo (conjunto 4), a melhor
precisão de previsão foi ligeiramente maior do que quando todos
os caracteres de produção foram incluídos no modelo (conjunto
2), mostrando que algumas das informações do MIRS podem
ser capturadas por meio de sua associação com características de produção
Como mencionado anteriormente, a inclusão de FY, PY e
MBW no conjunto preditor incluindo MY levou a uma melhoria
substancial na previsão média semanal de DMI (conjunto 1 vs.
conjunto 3). Além disso, houve uma melhoria adicional nas
estatísticas de ajuste quando o PC de WL foi incluído no modelo
(conjunto 6). No entanto, a remoção de FY e PY quando PC de
WL foram incluídos (conjunto 5) não teve um efeito importante
Esses achados podem estar relacionados ao fato de que WL
pode descrever com precisão os perfis de ácidos graxos e
proteínas do leite, pois contém informações mais detalhadas
sobre ácidos graxos (Soyeurt et al., 2011) e proteínas
(McDermott et al., 2016) em comparação com teores de gordura
e proteína usados no conjunto 3. Achados semelhantes na
previsão de CMS usando dados MIRS foram relatados por
Lahart et al. (2019) para vacas leiteiras em pastejo. Melhoria
significativa na previsão de CMS de vacas alimentadas com TMR também fo

Journal of Dairy Science Vol. 105 Nº 10, 2022

Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
relatado por Dórea et al. (2018) quando foram usados dados de
ANN e MIRS de leite. No entanto, Shetty et al. (2017) não relataram
nenhuma capacidade preditiva superior de CMS para modelos que
incluíam MIRS em vez de FY e PY, em vacas sob dieta TMR. Além
disso, Wallén et al. (2018) relataram que incluir apenas MY e BW
no modelo de previsão resultou em precisão semelhante à inclusão
de dados MIRS.
As precisões de previsão da média semanal de CMS usando
dados do MIRS neste estudo foram menores do que as de Shetty
et al. (2017), Dórea et al. (2018) e Lahart et al. (2019), mas
superiores aos relatados por Wallén et al. (2018). As diferenças
nas precisões entre os estudos podem ser devidas às diferenças
nos tamanhos de amostra usados para desenvolver os modelos de
previsão, frequência de registro, raças, dietas e métodos de
previsão, bem como ao uso de diferentes conjuntos de dados de
WL, treinamento e validação. O uso de dados MIRS médios diários
ou semanais como preditores também pode afetar a precisão da
previsão (Shetty et al., 2017).
Comparação entre linear e não linear
ANN e PLS
As RNA são ferramentas poderosas e flexíveis para modelar
relacionamentos potencialmente não lineares entre variáveis de
entrada e saída. Neste estudo e em outros (por exemplo, Pe rai et
al., 2010; Lin et al., 2012; Dórea et al., 2018), a RNA forneceu
melhores previsões do que os modelos lineares.
ANN não linear produziu predição superior do que ANN linear e
PLS. Além disso, a superioridade da RNA não linear foi mais
evidente em conjuntos de preditores que não incluíam informações
de MIRS (ou seja, conjuntos 1–3). Isso concorda com Dórea et al.
(2018), que aplicaram ANN e PLS para a previsão de DMI usando
dados MIRS. Esses resultados sugerem que existem algumas
interações não lineares entre a média semanal de CMS e os
preditores usados.
Comparação entre BRANN, LMANN e SCGANN
No presente estudo, 3 tipos de algoritmos de treinamento,
incluindo BR, LM e SCG, foram aplicados para treinar a RNA. Além
disso, para atenuar o overfitting e obter modelos que generalizam
bem, foram utilizadas 2 estratégias: regularização (para BRANN) e
CVES (para LMANN e SCGANN). Em geral, BRANN e SCGANN
produziram melhores previsões médias semanais de DMI em
comparação com LMANN. A regularização bayesiana mostrou
previsões não significativas, ligeiramente melhores do que
SCGANN, mas previsões significativamente melhores na validação
A (dados não mostrados) em comparação com a validação B.
Okut et al. (2013) também relataram que o BRANN superou o
SCGANN ao prever o esperado
Journal of Dairy Science Vol. 105 Nº 10, 2022
8268
diferença de progênie para pontuação de marmoreio em gado
Angus usando ANN e 2 conjuntos de painéis SNP.
Utilidade em Aplicações Práticas
Preditores para previsão semanal média de CMS, que incluem
MY, componentes do leite (ou seja, FY e PY) e, em menor medida,
MBW, estão disponíveis para muitas vacas.
Portanto, a questão de interesse é se as informações do MIRS
podem adicionar informações adicionais que não estão disponíveis
atualmente. Os resultados do estudo atual mostraram que o melhor
conjunto preditor para a predição média semanal de DMI consistia
em dados MY, FY, PY, MBW e MIRS completo (conjunto preditor
7). Assim, as informações do MIRS aumentaram a precisão da
previsão para a média semanal de CMS. Para a ANN linear, a
precisão da predição do conjunto preditor 7 foi em média 0,19
pontos maior do que o conjunto 3 em todos os métodos de predição
e conjuntos de dados de validação, enquanto o mesmo recurso
para a melhor ANN não linear foi de 0,12. Isso significa que, se os
dados do MIRS forem armazenados, é possível obter uma previsão
mais precisa da média semanal de DMI. No entanto, vale lembrar
que as melhores acurácias de predição foram obtidas usando
RNA não linear, independentemente do fato de o MIRS ter
contribuído menos para a acurácia geral desses modelos.
Uma consideração adicional é a aplicação prática do conjunto
preditor, porque os métodos semanais de previsão de média de
CMS devem ser facilmente aplicáveis a fazendas leiteiras
comerciais. A maioria das variáveis nos conjuntos de preditores
usados neste estudo estão prontamente disponíveis, com a possível
exceção de BW. Embora o PC não seja acessível em muitas
fazendas leiteiras comerciais, ele pode ser estimado usando, por
exemplo, a largura do peito (Veerkamp e Broth erstone, 1997). Os
dados MIRS do leite são ideais para prever o CMS sem custo
adicional, porque tem sido usado atualmente para medir os
componentes do leite de animais registrados (McParland et al.,
2014; Shetty et al., 2017).
Conforme observado anteriormente, quando apenas MIR WL
foram incluídos no modelo (conjunto 4), a melhor precisão de
previsão foi ligeiramente maior do que quando todas as
características de produção foram incluídas no modelo (conjunto
2). Vale ressaltar que parte da variação do CMS explicada pelo
MIR pode ser captada por meio de sua associação com
características de produção. Isso pode limitar a aplicação do MIR
para estimar medidas de eficiência alimentar que levem em
consideração o nível de produção, como o consumo residual de ração.
O desenvolvimento da tecnologia de sensores pode oferecer a
oportunidade de incluir preditores mais informativos nos modelos
de previsão, como dados climáticos, temperatura corporal da vaca,
comportamento alimentar (Dolecheck et al., 2016; Borchers et al.,
2017), massa de forragem e oferta em vacas leiteiras pastando
(van Knegsel et al., 2010; Muñoz et
Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
al., 2016). Portanto, melhorias adicionais na previsão média semanal de
DMI podem ser alcançadas quando dados precisos sobre tais preditores
estiverem disponíveis.
CONCLUSÕES
O modelo incluindo sumidouros de energia animal conhecidos
(características de produção e MBW), MIRS e preditores ambientais
mostraram a melhor predição da média semanal de CMS em vacas da raça
Holandesa canadense, especialmente quando ANN não linear foi aplicada.
As estatísticas de ajuste superiores de modelos incluindo MIRS em
comparação com modelos sem MIRS sugerem que outros componentes
desconhecidos do leite podem ajudar a explicar a variação na média
semanal de CMS. No entanto, apenas um ganho marginal na precisão foi
observado quando as características de produção e MBW foram incluídas
no modelo após o MIRS. No entanto, parece que o MIRS prediz o CMS
principalmente por meio de sua associação com características de produção
de leite e sua utilidade em estimar uma medida de eficiência alimentar que
representa o nível de produção, como o consumo residual de ração, pode
ser limitada e necessitaria de mais investigação.
AGRADECIMENTOS
Os autores reconhecem o apoio financeiro do Efficient Dairy Genome
Project financiado pela Genome Canada (Ottawa, ON, Canadá), Genome
Alberta (Cal gary, AB, Canadá), Ontario Genomics (Toronto, ON, Canadá),
Alberta Agriculture and Forestry ( Edmonton, AB, Canadá), Ontario Ministry
of Research and Innovation (Toronto, ON, Canadá), Ontario Ministry of
Agriculture, Food and Rural Affairs (Guelph, ON, Can ada), Canadian Dairy
Network (Guelph, ON, Canadá) , GrowSafe Systems (Airdrie, AB, Canadá),
Alberta Milk (Edmonton, AB, Canadá), Victoria Agriculture (Melbourne,
Austrália), Scotland's Rural College (Ed inburgh, Reino Unido), USDA
Agricultural Research Service (Beltsville, MD), Qualitas AG (Zug, Suíça) e
Aarhus University (Aarhus, Dinamarca). CF Baes e FS Schenkel também
reconhecem as contribuições financeiras do Dairy Research Cluster 3
(Dairy Farmers of Canada and Agriculture and Agri-Food Canada) no âmbito
do Canadian Agricultural Partnership AgriScience Program e do Efficient
Dairy Genome Project.
Os autores não declararam quaisquer conflitos de interesse.
REFERÊNCIAS
Alados, I., JA Mellado, F. Ramos e L. Alados-Arboledas. 2004.
Estimativa da irradiância eritemal UV por meio de redes neurais.
Photochem. Fotobiol. 80:351–358. https://doi.org/10.1562/2004
-03-12-RA-111.1.
Journal of Dairy Science Vol. 105 Nº 10, 2022
8269
Beale, MH, MT Hagan e HB Demuth. 2010. Rede neural
Caixa de ferramentas. Guia do usuário. MathWorks 2:77–81.
Bishop, CM 2006. Redes neurais. Páginas 227–281 em Pattern Regnition and
Machine Learning. Springer.
Borchers, MR, YM Chang, KL Proudfoot, BA Wadsworth, A.
E. Stone e JM Bewley. 2017. Previsão de parto baseada em aprendizado
de máquina a partir de comportamentos de atividade, deitada e ruminação
em gado leiteiro. J. Dairy Sci. 100:5664–5674. https://doi.org/10.3168/jds
.2016-11526.
Coelho Ribeiro, LA, T. Bresolin, GJ de Magãlhaes Rosa, D. Rume Casagrande,
MAC Danes, and JRR Dórea. 2021. Desembaraçar a dependência de
dados usando estratégias de validação cruzada para avaliar a qualidade de
previsão de atividades de pastoreio de gado usando algoritmos de
aprendizado de máquina e dados de sensores vestíveis. J. Anim. ciência 99:skab206.
de Haas, Y., JE Pryce, MPL Calus, E. Wall, DP Berry, P.
Løvendahl, N. Krattenmacher, F. Miglior, K. Weigel, D. Spurlock, KA
Macdonald, B. Hulsegge e RF Veerkamp. 2015. Previsão genômica do
consumo de matéria seca em gado leiteiro a partir de um conjunto de
dados internacional que consiste em rebanhos de pesquisa na Europa,
América do Norte e Australásia. J. Dairy Sci. 98:6522–6534. https://doi
.org/10.3168/jds.2014-9257.
De Marchi, M., V. Toffanin, M. Cassandro e M. Penasa. 2014.
Revisão convidada: Espectroscopia de infravermelho médio como ferramenta de
fenotipagem para características do leite. J. Dairy Sci. 97:1171–1186. https://doi.org/10.3168/
jds.2013-6799.
Dolecheck, KA, WJ Silvia, G. Heersche Jr., CL Wood, KJ Mc Querry e JM
Bewley. 2016. Uma comparação entre inseminação artificial em tempo fixo
e monitoramento automatizado da atividade com intervenção hormonal em
3 rebanhos leiteiros comerciais. J. Dairy Sci. 99:1506–1514. https://doi.org/
10.3168/jds.2015-9914.
Dórea, JRR, GJM Rosa, KA Weld e LE Armentano.
2018. Mineração de dados de espectroscopia infravermelha do leite para melhorar as
previsões de ingestão de alimentos em vacas leiteiras em lactação. J. Dairy Sci. 101:5878–
5889. https://doi.org/10.3168/jds.2017-13997.
Ehret, A., D. Hochstuhl, D. Gianola e G. Thaller. 2015. Aplicação de redes
neurais com retropropagação para previsão habilitada por genoma de
características complexas em gado Holandês-Frísio e Alemão Fleckvieh.
Genet. Sel. Evolução 47:22. https://doi.org/10.1186/
s12711-015-0097-5.
Felipe, VPS, MA Silva, BD Valente e GJM Rosa. 2015.
Usando regressão múltipla, redes bayesianas e redes neurais artificiais
para prever a produção total de ovos em codornas européias com base em
fenótipos expressos anteriormente. Poult. ciência 94:772–780. https://
doi.org/10.3382/ps/pev031.
Feng, N., F. Wang e Y. Qiu. 2006. Nova abordagem para promover a capacidade
de generalização de redes neurais. Int. J. Processo de Sinal. 2:131–135.
Fleming, A., FS Schenkel, J. Chen, F. Malchiodi, V. Bonfatti, R.
A. Ali, B. Mallard, M. Corredig e F. Miglior. 2017. Previsão do teor de
ácidos graxos do leite com espectroscopia de infravermelho médio em gado
leiteiro canadense usando conjuntos de desenvolvimento de modelos
distribuídos de forma diferente. J. Dairy Sci. 100:5073–5081. https://doi.org/10.3168/
jds.2016-12102.
Prever, FD e MT Hagan. 1997. Aproximação de Gauss-Newton para aprendizado
bayesiano. Páginas 1930–1935 em Proceedings of International Conference
on Neural Networks (ICNN'97). IEEE.
Gianola, D., H. Okut, KA Weigel e GJM Rosa. 2011. Prevendo características
quantitativas complexas com redes neurais Bayesianas: um estudo de caso
com vacas Jersey e trigo. BMC Genet. 12:87. https:
//doi.org/10.1186/1471-2156-12-87.
Guo, P., MR Lyu e CLP Chen. 2003. Estimativa do parâmetro de regularização
para redes neurais feedforward. IEEE Trans.
Sist. Homem Cibern. B Cibern. 33:35–44. https://doi.org/10.1109/
TSMCB.2003.808176.
Hagan, MT, e MB Menhaj. 1994. A rede feedforward de treinamento funciona
com o algoritmo de Marquardt. IEEE Trans. Rede Neural 5:989–993. https://
doi.org/10.1109/72.329697.
Hajmeer, M., I. Basheer e DO Cliver. 2006. Curvas de sobrevivência de Listeria
monocytogenes em chouriços modelados com neural artificial
Machine Translated by Google
Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS
redes. Microbiol Alimentar. 23:561–570. https://doi.org/10.1016/j
.fm.2005.09.011.
Hastie, T., R. Tibshirani e J. Friedman. 2009. Redes neurais.
Páginas 389–416 em The Elements of Statistical Learning: Data Min ing,
Inference, and Prediction. 2ª ed. Springer.
Haykin, S. 2009. Percepções multicamadas. Páginas 123–217 em Neural Net Works:
A Comprehensive Foundation. 3ª ed. Pearson Prentice Hall.
Hemme, T., MM Uddin e OA Ndambi. 2014. Custo comparativo da produção de leite
em 46 países. J. Rev. Glob. Econ. 3:254–
270. https://doi.org/10.6000/1929-7092.2014.03.20.
Jamrozik, J., e GJ Kistemaker. 2020. Avaliação da eficiência alimentar: teste de agosto
de 2020. Acessado em 11 de agosto de 2022. http://www.cdn
.ca/Articles/GEBOCT2020/FE%20Report%20-%20September
%202020.pdf.
Lahart, B., S. McParland, E. Kennedy, TM Boland, T. Condon, M.
Williams, N. Galvin, B. McCarthy e F. Buckley. 2019. Previsão do consumo de
matéria seca de vacas leiteiras em pastejo usando análise de espectroscopia de
re flectância no infravermelho. J. Dairy Sci. 102:8907–8918. https:
//doi.org/10.3168/jds.2019-16363.
Lin, M.-IB, WA Groves, A. Freivalds, EG Lee e M. Harper.
2012. Comparação de modelos de regressão de rede neural artificial (ANN) e
mínimos quadrados parciais (PLS) para prever a ventilação respiratória: um
estudo exploratório. EUR. J. Appl. Physiol. 112:1603–
1611. https://doi.org/10.1007/s00421-011-2118-6.
MacKay, DJC 1992. Interpolação bayesiana. Computação Neural. 4:415–447. https://
doi.org/10.1162/neco.1992.4.3.415.
MacKay, DJC e DJC MacKay. 2003. Redes neurais. Páginas 468–549 em Teoria da
Informação, Inferência e Algoritmos de Aprendizagem. Cambridge University
Press.
Martens, H. e T. Naes. 1989. Calibração multivariada. John Willey
& Filhos Inc.
McDermott, A., G. Visentin, M. De Marchi, DP Berry, MA Fénelon, PM O'Connor, OA
Kenny e S. McParland. 2016.
Predição de proteínas individuais do leite, incluindo aminoácidos livres no leite
bovino usando espectroscopia de infravermelho médio e suas correlações com
as características de processamento do leite. J. Dairy Sci. 99:3171–3182. https://
doi.org/10.3168/jds.2015-9747.
McParland, S., G. Banos, E. Wall, MP Coffey, H. Soyeurt, RF
Veerkamp e DP Berry. 2011. O uso da espectrometria de infravermelho médio
para prever o estado de energia corporal de vacas Holandesas. J. Dairy Sci.
94:3651–3661.
McParland, S., E. Lewis, E. Kennedy, SG Moore, B. McCarthy, M. O'Donovan, ST
Butler, JE Pryce e DP Berry. 2014.
Espectrometria de infravermelho médio do leite como preditor do consumo de
energia e eficiência em vacas leiteiras em lactação. J. Dairy Sci. 97:5863–5871.
Mevik, BH, R. Wehrens e KH Liland. 2013. pls: Mínimos quadrados parciais e regressão
de componentes principais. Pacote R. versão 2.3-0. Acessado em 11 de agosto
de 2022. http://www2.uaem.mx/r-mirror/
web/packages/pls/pls.pdf.
Møller, MF 1993. Um algoritmo de gradiente conjugado em escala para aprendizado
supervisionado rápido. Rede Neural 6:525–533. https://doi.org/10
.1016/S0893-6080(05)80056-5.
Muñoz, C., PA Letelier, EM Ungerfeld, JM Morales, S. Hube e LA Pérez-Prieto. 2016.
Efeitos da massa de forragem pré-pastejo no final da primavera nas emissões de
metano entérico, ingestão de matéria seca e produção de leite de vacas leiteiras.
J. Dairy Sci. 99:7945–7955. https://
/doi.org/10.3168/jds.2016-10919.
Okut, H., D. Gianola, GJM Rosa e KA Weigel. 2011. Previsão do índice de massa
corporal em camundongos usando marcadores moleculares densos e uma rede
neural regularizada. Genet. Res. (Camb) 93:189–201. https://doi.org/10.1017/
S0016672310000662.
Okut, H., X.-L. Wu, GJM Rosa, S. Bauck, BW Woodward, RD
Schnabel, JF Taylor e D. Gianola. 2013. Previsão da diferença esperada na
progênie para escore de marmorização em gado Angus usando redes neurais
artificiais e modelos de regressão bayesiana. Genet. Sel.
Evolução 45:34. https://doi.org/10.1186/1297-9686-45-34.
Perai, AH, H. Nassiri Moghaddam, S. Asadpour, J. Bahrampour e G. Mansoori. 2010.
Uma comparação de redes neurais artificiais com outras abordagens estatísticas
para a previsão do verdadeiro metabo
Journal of Dairy Science Vol. 105 Nº 10, 2022
8270
energia lazável da farinha de carne e ossos. Poult. ciência 89:1562–1568. https://
doi.org/10.3382/ps.2010-00639.
Pérez-Rodríguez, P., D. Gianola, KA Weigel, GJM Rosa e J.
Cruza. 2013. Um pacote R para ajustar redes neurais regularizadas bayesianas
com aplicações em reprodução animal. J. Anim. ciência 91:3522–3531. https://
doi.org/10.2527/jas.2012-6162.
Rinnan, A., L. Norgaard, F. van den Berg, J. Thygesen, R. Bro e SB Engelsen. 2009.
Pré-processamento de dados. Páginas 29–50 em Espectroscopia infravermelha
para análise e controle de qualidade de alimentos. Imprensa Acadêmica.
Rutten, MJM, H. Bovenhuis, JML Heck e JAM Van Arendonk. 2011. Prevendo a
composição da proteína do leite bovino com base em espectros de infravermelho
com transformada de Fourier. J. Dairy Sci. 94:5683–5690. https://doi.org/10.3168/
jds.2011-4520.
Savitzky, A., e MJE Golay. 1964. Suavização e diferenciação de dados por
procedimentos simplificados de mínimos quadrados. Anal. Chem. 36:1627–1639.
https://doi.org/10.1021/ac60214a047.
Seymour, DJ, A. Cánovas, TCS Chud, JP Cant, VR Osborne, CF Baes, FS Schenkel
e F. Miglior. 2020. O comportamento dinâmico da eficiência alimentar em vacas
leiteiras primíparas. J. Dairy Sci. 103:1528–1540. https://doi.org/10.3168/
jds.2019-17414.
Shadpour, S., TCS Chud, D. Hailemariam, HR Oliveira, G. Plas tow, P. Stothard, J.
Lassen, R. Baldwin, F. Miglior, CF Baes, D. Tulpan e FS Schenkel. 2022. Tabelas
Suplementares [Conjunto de dados]. Zenodo. https://doi.org/10.5281/
zenodo.6632059.
Shetty, N., P. Løvendahl, MS Lund e AJ Buitenhuis. 2017.
Predição e validação do consumo alimentar residual e consumo de matéria seca
em vacas leiteiras dinamarquesas em lactação usando cópia de espectros de
infravermelho médio do leite. J. Dairy Sci. 100:253–264. https://doi.org/10.3168/
jds.2016-11609.
Sorich, MJ, JO Miners, RA McKinnon, DA Winkler, FR
Burden e PA Smith. 2003. Comparação de algoritmos de classificação linear e
não linear para a previsão de drogas e metabolismo químico por isoformas de
UDP-glucuronosiltransferase humana.
J. Chem. Inf. Comput. ciência 43:2019–2024. https://doi.org/10
.1021/ci034108k.
Soyeurt, H., D. Bruwier, J.-M. Romnee, N. Gengler, C. Bertozzi, D.
Veselko e P. Dardenne. 2009. Estimativa potencial dos principais conteúdos
minerais no leite de vaca usando espectrometria de infravermelho médio. j.
Dairy Sci. 92:2444–2454. https://doi.org/10.3168/jds.2008-1734.
Soyeurt, H., P. Dardenne, F. Dehareng, G. Lognay, D. Veselko, M.
Marlier, C. Bertozzi, P. Mayeres e N. Gengler. 2006. Estimativa do teor de ácidos
graxos no leite de vaca usando espectrometria de infravermelho médio. J. Dairy
Sci. 89:3690–3695. https://doi.org/10.3168/jds.S0022
-0302(06)72409-2.
Soyeurt, H., F. Dehareng, N. Gengler, S. McParland, E. Wall, DP
Berry, M. Coffey e P. Dardenne. 2011. Previsão de infravermelho médio de ácidos
graxos do leite bovino em várias raças, sistemas de produção e países. J. Dairy
Sci. 94:1657–1667. https://doi.org/
10.3168/jds.2010-3408.
Titterington, DM 2004. Métodos bayesianos para redes neurais e modelos relacionados.
Estado. ciência 19:128–139. https://doi.org/10.1214/
088342304000000099.
ONU (Organização das Nações Unidas). 2019. Crescendo em um ritmo mais lento, a
população mundial deve atingir 9,7 bilhões em 2050 e pode atingir um pico de
quase 11 bilhões por volta de 2100. Departamento de Assuntos Econômicos e
Sociais da ONU. Acessado em 25 de agosto de 2021. https://www.un.org/development/
desa/en/news/population/world-population-prospects-2019.html.
van der Drift, SGA, R. Jorritsma, JT Schonewille, HM Knijn e JA Stegeman. 2012.
Detecção de rotina de hipercetonemia em vacas leiteiras usando análise de
espectroscopia infravermelha com transformada de Fourier de ÿ-hidroxibutirato e
acetona no leite em combinação com informações do dia do teste. J. Dairy Sci.
95:4886–4898. https://doi.org/
10.3168/jds.2011-4417.
van Knegsel, ATM, SGA van der Drift, M. Horneman, AP
W. de Roos, B. Kemp e EAM Graat. 2010. Concentração de corpos cetônicos no
leite determinada por espectroscopia de infravermelho por transformada de
Fourier: valor para a detecção de hipercetonemia em vacas leiteiras. J. Dairy Sci.
93:3065–3069. https://doi.org/10.3168/jds.2009
-2847.
Machine Translated by Google

Shadpour et al.: PREVENINDO DMI USANDO REDES NEURAIS 8271

Veerkamp, RF e S. Brotherstone. 1997. Correlações genéticas entre ORCIDAS

características de tipo linear, ingestão de alimentos, peso vivo e escore de
condição em bovinos leiteiros da raça Holstein Friesian. Anim. ciência
Saeed Shadpour https://orcid.org/0000-0002-2842-031X
64:385–392. https://doi.org/10.1017/S1357729800015976.
Tatiane CS Chud https://orcid.org/0000-0001-7559-1165
Wallén, SE, M. Lillehammer e THE Meuwissen. 2017. Estratégias para
implementação de seleção genômica para eficiência alimentar em esquemas Dagnachew Hailemariam https://orcid.org/0000-0002-0030-7729
Hinayah R. Oliveira https://orcid.org/0000-0002-0355-8902
de criação de gado leiteiro. J. Dairy Sci. 100:6327–6336. https://doi
.org/10.3168/jds.2016-11458. Graham Plastow https://orcid.org/0000-0002-3774-3110
Wallén, SE, E. Prestløkken, THE Meuwissen, S. McParland e DP Berry. 2018. Paul Stothard https://orcid.org/0000-0003-4263-969X
Dados espectrais de infravermelho médio do leite como uma ferramenta Jan Lassen https://orcid.org/0000-0002-1338-8644
para prever o consumo de ração em vacas leiteiras Norwegian Red em lactação.Resgate
j. Baldwin https://orcid.org/0000-0002-0753-4377
Dairy Sci. 101:6232–6243. https://doi.org/10.3168/jds.2017-13874. Filippo Miglior https://orcid.org/0000-0003-2345-8842
Wang, HJ, F. Ji, CS Leung e PF Sum. 2009. Seleção de parâmetros de Christine F. Baes https://orcid.org/0000-0001-6614-8890
regularização para redes neurais defeituosas. Int. J. Intel. Sist.
Dan Tulpan https://orcid.org/0000-0003-1100-646X
Tecnol. 4:45–48.
Flavio S. Schenkel https://orcid.org/0000-0001-8700-0633
Wang, Q. e H. Bovenhuis. 2019. A estratégia de validação pode resultar em uma
visão superotimista da capacidade dos espectros infravermelhos do leite de
prever a emissão de metano do gado leiteiro. J. Dairy Sci. 102:6288–6295.
https://doi.org/10.3168/jds.2018-15684.

Journal of Dairy Science Vol. 105 Nº 10, 2022