| |
|
|
| Registros recuperados : 103 | |
| Registros recuperados : 103 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Agricultura Digital; Embrapa Pantanal; Embrapa Pecuária Sudeste. |
|
Data corrente: |
15/12/2023 |
|
Data da última atualização: |
15/12/2023 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
ABREU, U. G. P. de; THOLON, P.; LIMA, H. P. de. |
|
Afiliação: |
URBANO GOMES PINTO DE ABREU, CPAP; PATRICIA THOLON, CPPSE; HELANO POVOAS DE LIMA, CNPTIA. |
|
Título: |
Classificação do desempenho dos rebanhos de seleção Nelore por meio de aprendizado de máquina. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 14., 2023, Natal. Avanços na agricultura digital colaborativa: anais. Natal: Universidade Federal do Rio Grande do Norte, 2023. |
|
Idioma: |
Português |
|
Notas: |
SBIAGRO 2023. |
|
Conteúdo: |
O objetivo deste trabalho foi, por meio de técnicas de mineração de dados, classificar os animais de dois rebanhos da Embrapa, em função das réguas de DEP genômicas (DEPg), para identificar os principais atributos (características) que direcionam o entendimento dos diferentes objetivos de seleção nos dois rebanhos. Selecionaram-se oito atributos, para análise de classificação dos animais. Para realizar a classificação dos animais em função do rebanho foram utilizados três algoritmos supervisionados, buscando verificar qual apresentaria o melhor desempenho: árvore de decisão (J48), árvores de modelo logístico (LMT) e floresta randômica (Random Forest - RF). O algoritmo mais acurado foi o Random Forest, que modelou os dados com maior ajuste e acurácia. |
|
Palavras-Chave: |
Aprendizado de máquina; Árvore de decisão; Árvores de modelo logístico; Característica; Classificação de animais; Data mining; Decision tree; Floresta randômica; Logistic model trees; Machine learning; Mineração de dados; Random forest; Seleção de rebanhos. |
|
Thesagro: |
Gado Nelore; Melhoramento Genético Animal; Rebanho; Seleção. |
|
Categoria do assunto: |
--
L Ciência Animal e Produtos de Origem Animal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1159796/1/sbi-agro-2023-2.pdf
|
|
Marc: |
LEADER 01961nam a2200349 a 4500
001 2159796
005 2023-12-15
008 2023 bl uuuu u00u1 u #d
100 1 $aABREU, U. G. P. de
245 $aClassificação do desempenho dos rebanhos de seleção Nelore por meio de aprendizado de máquina.$h[electronic resource]
260 $aCONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 14., 2023, Natal. Avanços na agricultura digital colaborativa: anais. Natal: Universidade Federal do Rio Grande do Norte$c2023
500 $aSBIAGRO 2023.
520 $aO objetivo deste trabalho foi, por meio de técnicas de mineração de dados, classificar os animais de dois rebanhos da Embrapa, em função das réguas de DEP genômicas (DEPg), para identificar os principais atributos (características) que direcionam o entendimento dos diferentes objetivos de seleção nos dois rebanhos. Selecionaram-se oito atributos, para análise de classificação dos animais. Para realizar a classificação dos animais em função do rebanho foram utilizados três algoritmos supervisionados, buscando verificar qual apresentaria o melhor desempenho: árvore de decisão (J48), árvores de modelo logístico (LMT) e floresta randômica (Random Forest - RF). O algoritmo mais acurado foi o Random Forest, que modelou os dados com maior ajuste e acurácia.
650 $aGado Nelore
650 $aMelhoramento Genético Animal
650 $aRebanho
650 $aSeleção
653 $aAprendizado de máquina
653 $aÁrvore de decisão
653 $aÁrvores de modelo logístico
653 $aCaracterística
653 $aClassificação de animais
653 $aData mining
653 $aDecision tree
653 $aFloresta randômica
653 $aLogistic model trees
653 $aMachine learning
653 $aMineração de dados
653 $aRandom forest
653 $aSeleção de rebanhos
700 1 $aTHOLON, P.
700 1 $aLIMA, H. P. de
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Pantanal (CPAP) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
