Vielfach ist eine ungenügende Reproduktionsleistung ursächlich für eine nicht rentable Milchviehhaltung. Elektronische Hilfsmittel zur Brunstbestimmung versprechen Verbesserungen in den Brunsterkennungsraten, deren Werte bei reiner Beobachtung durch den Tierhalter teilweise bei unter 40 % liegen. Gegenstand dieser Arbeit ist die automatische Brunstbestimmung durch einen C4.5- Entscheidungsbaum, implementiert in das Open Source-Programm WEKA, das auf der Programmiersprache Java basiert. Durch Training an drei Datensätzen, die aus zwei unterschiedlichen Herdenmanagementprogrammen extrahiert worden waren, Daten des Versuchsbetriebes Achselschwang und des Betriebes Bayou Vista Dairy aus "Dairyplan DP5" von Westfalia und Daten des Betriebes Sigl aus "Full-Expert" von Lemmer Fullwood, ergaben sich drei Entscheidungsbäume, die jeweils durch stratifizierte Kreuzvalidierung am Trainingsdatensatz sowie an den beiden nicht zum Anlernen verwendeten Datensätzen getestet wurden. Die Testergebnisse fielen, abhängig sowohl vom Trainings- als auch von Testdatensatz sehr unterschiedlich aus. Die Sensitivität der Entscheidungsbäume, angelernt mit den "Dairyplan DP5"-Daten, reichte von 30,5 % bis 46,7 %. Der niedrigste Wert wurde beim Test des Achselschwang-Entscheidungsbaumes am Bayou Vista-Datensatz erreicht, der höchste Wert bei der stratifizierten Kreuzvalidierung des Entscheidungsbaumes aus den Achselschwang-Daten. Hingegen bewegte sich die Spezifität der Tests in Bereichen um 99 %. Indessen erreichte der Algorithmus, dessen Trainingsdatensatz vom Betrieb Sigl stammte, Sensitivitäten zwischen 72,9 % beim Test an den Daten von Bayou Vista Dairy und 90,0 % beim Test am Datensatz aus Achselschwang. Die Spezifitäten lagen hier jedoch bei nur 89,1 bis 92,2 %, was Fehlerraten von bis zu 55,2 % verursachte. Für den Anwender ist eine hohe Sensitivität bei geringer Fehlerrate wichtig, was einige bereits existierende Produkte zur Brunsterkennung, wie zum Beispiel HeatWatch™ mit einer Erkennungsrate bis zu 92 % bei einer Fehlerrate von unter 22 %, schon bieten. Deshalb sind im Bereich der Brunsterkennung durch Data Mining und maschinelles Lernen noch Veränderungen und Verbesserungen nötig, um mit bestehenden Systemen konkurrieren zu können.      «

Vielfach ist eine ungenügende Reproduktionsleistung ursächlich für eine nicht rentable Milchviehhaltung. Elektronische Hilfsmittel zur Brunstbestimmung versprechen Verbesserungen in den Brunsterkennungsraten, deren Werte bei reiner Beobachtung durch den Tierhalter teilweise bei unter 40 % liegen. Gegenstand dieser Arbeit ist die automatische Brunstbestimmung durch einen C4.5- Entscheidungsbaum, implementiert in das Open Source-Programm WEKA, das auf der Programmiersprache Java basiert. Durch T...     »

In many cases insufficient reproduction performance causes uneconomic conditions in dairy cattle husbandry. Electronic devices promise an increase of oestrus detection rates, the values of which partly lie below 40 % when solely observed by the herd owner. Automatic oestrus detection by a C4.5 decision tree, implemented into WEKA, an open source java based software is the subject of this thesis. The training is based on three data sets that were extracted from two different herd management software solutions, data from Achselschwang pilot farm and Bayou Vista Dairy, taken from Westfalia's "Dairyplan DP5" and data from the farm Sigl, gathered from Lemmer Fullwood's "Full-Expert". It resulted in three decision trees. Each was tested on its own training set by a stratified cross validation as well as on the data sets that were not used it for training. The test results turned out very variant, depending on the training and test data set. The decision trees that were trained on the "Dairyplan DP5" data reached sensitivities from 30.5 % to 46.7 %. The lowest value was reached at the Achselschwang decision tree's test with the Bayou Vista data set, the highest value with the Achselschwang decision tree's stratified cross validation. The tests' specifities ranged in regions around 99 %. In comparison the algorithm with the training set derived from the farm Sigl reached sensitivities between 72.9 % for the decision tree's test on Bayou Vista Dairy's data set and 90.0 % when tested on the Achselschwang data set. However, it showed specifities of only 89.1% to 92.2 % however, which caused error rates of up to 55.2 %. A high sensitivity combined with low error rates is the user's most important request. As some yet existing products for oestrus detection, like HeatWatch TM for example, already provide detection rates of up to 92 % and error rates of less than 22 %, changes and improvements in the field of oestrus detection by Data Mining and Machine Learning are essential in order to be able to compete with existing systems.      «

In many cases insufficient reproduction performance causes uneconomic conditions in dairy cattle husbandry. Electronic devices promise an increase of oestrus detection rates, the values of which partly lie below 40 % when solely observed by the herd owner. Automatic oestrus detection by a C4.5 decision tree, implemented into WEKA, an open source java based software is the subject of this thesis. The training is based on three data sets that were extracted from two different herd management sof...     »