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...
»