پیوندهای مفید
آمار
| تعداد نشریات | 33 |
| تعداد شمارهها | 874 |
| تعداد مقالات | 8,491 |
| تعداد مشاهده مقاله | 53,662,399 |
| تعداد دریافت فایل اصل مقاله | 9,757,587 |
مقایسه عملکرد الگوریتمهای هوش مصنوعی در پیشبینی ارزش اصلاحی صفات عملکردی در اسبهای کورسی نژاد ترکمن | ||
| تحقیقات تولیدات دامی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 25 مرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22124/ar.2026.33361.1954 | ||
| نویسندگان | ||
| معین تاند1؛ محمد باقر زندی* 2؛ مرادپاشا اسکندری نسب1؛ علیرضا خان تیموری3 | ||
| 1گروه علوم دامی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران. | ||
| 2گروه علوم دامی دانشکده کشاورزی و منابع طبیعی دانشگاه زنجان، زنجان، ایران | ||
| 3گروه روانشناسی، دانشگاه فرایبورگ، فرایبورگ، آلمان. | ||
| چکیده | ||
| برآورد دقیق ارزشهای اصلاحی (BVs) نقش اساسی در پیشرفت ژنتیکی جمعیتهای دامی دارد. در اسبهای کورسی، صفات عملکردی نظیر زمان طی مسیر (RCT)، رتبه نهایی کسبشده در پایان مسابقه (REC) و میانگین سرعت (AS) ارتباط مستقیمی با موفقیت رقابتی و بازده اقتصادی دارند. این پژوهش با هدف مقایسه مدل حیوانی تکصفته (STM) با سیزده الگوریتم یادگیری ماشین در پیشبینی ارزش اصلاحی این صفات در اسبهای کورسی نژاد ترکمن ایران انجام شد. دادههای فنوتیپی و شجرهای شامل ۱۱,۰۰۸ رکورد مسابقه از 1678 رأس اسب (۱۳۷۸-۱۴۰۴) از پایگاه رسمی فدراسیون سوارکاری جمهوری اسلامی ایران گردآوری گردید. ارزشهای اصلاحی مرجع با بهترین مدلهای حیوانی برآورد و برای آموزش الگوریتمهای رگرسیون خطی، رگرسیون خطی چندگانه، رگرسیون بیزی ریج، درخت تصمیم، جنگل تصادفی، درختهای کاملاً تصادفی، رگرسیون بردار پشتیبان، k نزدیکترین همسایه، گرادیان بوستینگ، XGBoost، CatBoost، LightGBM و شبکه عصبی مصنوعی (ANN) استفاده شد. بر اساس نتایج وراثتپذیری هر سه صفت پایین بود (RCT= 0/006، REC=0/06، AS=0/003). مدل STM صحت متوسطی داشت (0/33 تا 0/40)، اما الگوریتمهای یادگیری ماشین برتری نشان دادند. برای صفات RCT، REC و AS، مدل ANN بهترین نتایج را با صحت پیشبینی 0/49، 0/55 و 0/47 و همبستگی بین مقادیر مشاهدهشده و پیشبینیشده 0/62، 0/66 و 0/59 بهدست آورد. همچنین، مدلهای XGBoost، LightGBM و Gradient Boosting نسبت به STM عملکرد پیشبینی بهتری داشتند، در حالی که مدلهای خطی و KNN ضعیفترین نتایج را نشان دادند. یافتهها نشان داد مدلهای یادگیری ماشین در استخراج روابط غیرخطی صفات عملکردی اسب ترکمن و بهبود دقت انتخاب ژنتیکی کارآمدتر هستند. | ||
| کلیدواژهها | ||
| اسب ترکمن؛ صفات عملکردی؛ مدل حیوانی؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||