Hayvancılık alanında çok değişkenli uyarlanabilir regresyonun kullanımı

Abstract

Bu çalışmada, hayvancılık ile ilgili bir veri setinde MARS algoritmasının nasıl kullanılacağını ve elde edilen sonuçların nasıl yorumlanacağı amaçlanmıştır. Canlı ağırlığı tahmin etmek amacıyla Pakistan'da yetiştirilen dört koyun ırkının (Balochi (48), Harnai (48), Beverigh (47) ve Rakhashni (48) verileri kullanılmıştır. MARS veri madenciliği algoritmasının tanıtılması ve canlı ağırlık için faydalı tahmin denkleminin geliştirilmesi amacıyla, cidago yüksekliği, göğüs çevresi ve vücut uzunluğu gibi sürekli değişkenler bağımsız değişken olarak kullanılmıştır. R yazılımının `earth` paketi ile vücut ağırlığının tahmini için iki MARS uygulaması (26 ve 38 terim), interaksiyon derecesi 2 ve 10 çapraz geçerlilik temel alınarak yapılmıştır. MARS uygulamalarının tahmin doğruluğunu değerlendirmek için uyum kriterleri (GCV, RSS, GR2, R2, düzeltilmiş R2 ve çapraz geçerlilik R2'deki gerçek ve öngörülen değerler arasındaki korelasyon katsayısı) tahmin edilmiştir. Uyum kriterleri her iki uygulama için sırasıyla (0.980 ve 0.990), GCV (0.610 ve 0.293), RSS (116 ve 56), GR2 (0.960 ve 0.980), R2 (0.960 ve 0.980), düzeltilmiş R2 (0.954 ve 0.975) ve çapraz geçerlilik R2 (0.922 ve 0.88) olarak tahmin edilmiştir. R yazılımında en küçük GCV'yi üreten etkileşim dereceleri ve uygun terim sayısının atanması, MARS algoritması için dikkate alınması gereken en önemli noktalardır. Elde edilen sonuçlar, MARS uygulamalarının, ırk standartlarını ortaya koymak ve burada incelenen canlı ağırlık özelliğini olumlu etkileyen morfolojik özellikleri belirlemek için önemli bir seçenek olabileceğini göstermiştir.

The aim of this study was to illustrate how to use MARS algorithm at a data set from Animal Science and to interpret the achieved results. Data of four sheep breeds (Balochi (48), Harnai (48), Beverigh (47) and Rakhashni (48)) reared in Pakistan were used in the prediction of body weight. Withers height, chest girth and body length as continuous predictors were used with the aim of introducing MARS data mining algorithm and developing the useful prediction equation for body weight. Breed was employed as a nominal predictor. With the package `earth` of R software, two MARS applications (26 and 38 term numbers) for the prediction of body weight were made by taking a basis for interaction degrees of 2, and v-ten-fold cross validation. For evaluating predictive accuracy of the MARS applications, goodness of fit criteria i.e. r (Pearson correlation coefficient between the actual and predicted values in body weight, GCV, RSS, GR2, R2, adjusted R2 and cross validation R2 were estimated. Goodness of fit criteria i.e. r (0.980 and 0.990), GCV(0.610 and 0.293), RSS(116 and 56), GR2 (0.960 and 0.980), R2 (0.960 and 0.980), adjusted R2 (0.954 and 0.975) and cross validation R2 (0.922 and 0.88) were estimated for both applications, respectively. Assignment of the suitable term number and interaction degrees producing the smallest GCV in R software is the most important points that are necessary to be taken into consideration for MARS algorithm. The achieved outcomes illustrated that MARS applications could be a notable option for proving breed standards and determining body measurements positively affecting the body weight of the sheep studied here.