Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması

Abstract

Bu çalışmada Siyah Alaca ineklerin laktasyon süt verimleri üzerine laktasyon süresi (LS), buzağılama yılı (BY) ve servis periyodunun (SP) etkisi çoklu regresyon ve yapay sinir ağı (YSA) ile modellenmiş ve modellerin uyum yetenekleri karşılaştırılmıştır. Analizler 2006, 2007 ve 2008 tarihlerinde buzağılayan toplam 305 adet Siyah Alaca ineğin ilk beş laktasyonuna ait süt verimleri üzerinde uygulanmıştır. Yapay sinir ağları modelinde tekrarlanan denemeler sonucunda seçilen mimariye göre, gizli katman sayısı bir ve bu katmandaki gizli düğüm sayısı üç olarak alınmıştır. Ayrıca yakınsama kriteri 1.10-6, maksimum iterasyon sayısı 50 ve algoritmanın sonlanması her bir çalıştırma için 20 devir (epoch) alınmıştır. Yapay sinir ağları ile çoklu regresyon modelinin iyi uyumunun karşılaştırılmasında düzeltilmiş belirleme katsayısı (R2) , hata kareler ortalamasının karekökü (Root Mean Square Error-RMSE), ortalama mutlak sapma (Mean Absolute Deviation-MAD) ve ortalama mutlak yüzde hata (Mean Absolute Percentage Error-MAPE) performans kriterleri kullanılmıştır. Analizler sonucunda yapay sinir ağları modeli ile ilk beş laktasyona ait R2 değerleri 0.62-0.85 arasında, RMSE değerleri 480.9-1682.8 arasında, MAD değerleri 325.2-1381.7 ve MAPE değerleri 6.1-20.2 arasında değişim göstermiştir. Çoklu doğrusal regresyonda ise bu değerler sırası ile R2 için 0.30 ile 0.75 arasında, RMSE için 1964.8-3008.7 arasında, MAD değeri 1576.6-2458.3 arasında ve MAPE değeri 24.7-35.6 arasında bulunmuştur. Söz konusu kriterlere göre bu modeller karşılaştırıldığında, bu çalışmada kullanılan süt verimlerinin tahminlenmesinde yapay sinir ağı modelinin çoklu doğrusal regresyon modelinden daha iyi uyum sağladığı gözlenmiştir. Dolayısıyla, yapay sinir ağlarının regresyon analizine alternatif bir metod olabileceği sonucuna ulaşılmıştır.

In this study, effects of lactation length, calving year and service period on lactation milk yield of Holstein Friesians were modeled with multiple regression and artificial neural networks (ANN) and compared goodness of fit of models. Analyses were carried on five lactations milk yields of 305 Holsteins calved at 2006, 2007 and 2008 years. After several experiments, hidden layer number was taken one and hidden nodes number were found three for the chosen architecture. Moreover, convergence criteria, maximum iteration number and epoch number were taken as 1.10-6, 50 and 20, respectively. Adjusted coefficient of determination (R2),root mean square error (RMSE), mean absolute deviation (MAD), mean absolute percentage error performance criteria (MAPE) were used for comparison of artificial neural network and multiple linear regression models goodness of fit. After analysis R2 values were found among 0.62-0.85 for the five lactations with neural networks model. RMSE, MAD and MAPE criteria also were found among 480.9-1682.8, 325.2-1381.7 and 6.1-20.2, respectively. These criteria were found for R2, RMSE, MAD and MAPE among 0.30-0.75, 1964.8-30008.7, 1576.6-2458.3 and 24.7-35.6, respectively for multiple linear regression. When the models were compared, artificial neural networks model gave better fit than multiple linear regression models. Consequently, artificial neural networks was determined an alternative method to multiple regression analysis.