Laktasyon Eğrileri Modellemesinde Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Mars) Yönteminin Uygulanması
Bu çalışmanın amacı, siyah alaca ineklerde kontrol günü, sağımsüresi, iletkenlik ve hareketlilik bağımsız değişkenleri kullanılaraksüt verimini MARS yöntemi ile modellemektir. MARS doğrusalolmayan modellerin uygun düğüm noktaları belirlenerek doğrusal altmodellerle tahminleme yapan parametrik olmayan bir yöntemdir.Çalışmada 80 ineğin 2006-2011 yılları arasındaki günlük laktasyonkayıtları kullanılmıştır. En uygun modeli tespit etmek amacıyla herbir laktasyon için farklı etkileşimler denenmiştir. Model uygunluğu,genelleştirilmiş çapraz geçerlilik katsayısının (GCV) minimum vebelirleme katsayısının (R2) maksimum olması kriterleri iledeğerlendirilmiştir. Bu kriterler dikkate alındığında ilk dörtlaktasyon için etkileşimsiz model, beşinci laktasyon için ise üçlüetkileşimli model en iyi model olarak belirlenmiştir. İlk beş laktasyonsırasına göre MARS modellerinin belirleme katsayıları (R2) sırasıyla0.983, 0.991, 0.991, 0.975 ve 0.950 olarak bulunmuştur. Modellerdetüm bağımsız değişken katsayılarının % 99 önem düzeyinde anlamlıolduğu görülmüştür. Süt verimini tahminlemede MARS modellerinintümünde en etkin değişkenin kontrol günü olduğu belirlenmiştir. Busonuçlara göre MARS ile oluşturulan modellerin süt veriminin tahminedilmesinde güvenle kullanılabileceği kanısına varılmıştır.
Application of Multivariate Adaptive Regression Splines (MARS) for Modeling the Lactation Curves
The aim of this study is to model milk yield using the MARS method using independent variables such as Holstein cows control day, milking time, conductivity and mobility. MARS is a non-parametric method for predicting linear sub-models to determine appropriate knot points of non-linear models. This study included daily lactation records for 80 Holstein cows between 2006 and 2011. For each lactation, the most suitable model was determined by testing different maximum interaction models. The model suitability is generally assessed by the criteria that generalized cross-validation criterion (GCV) minimum and R2 maximum values. When these criteria are taken into consideration, the non-interactive model for the first four lactations and the 3 interacting model for the fifth lactation are determined as the best models. The determination coefficients (R2) of the MARS models according to the lactation order are found to be 0.983, 0.991, 0.991, 0.975 and 0.950, respectively. All the independent variable coefficients in models were found to be important at 99% level. In all models, MARS has been identified as the most meaningful variable of control day. According to these results, we can say that the estimation of milk yield of models produced by MARS is successful and safe.
___
- Abraham A, Steinberg D 2001. MARS: Still an Alien
Planet in Soft Computing? Lecture Notes in
Computer Science, Springer Berlin / Heidelberg
Press, 2074: 235-244.
- Çetin FA, Mikail N 2016. Hayvancılıkta Veri
Madenciliği Uygulamaları. Türkiye Tarımsal
Araştırmalar Dergisi, 3(1): 79-88.
- Eyduran E, Akkus O, Kara MK, Tırınk C, Tarıq M M
2017. Use of Multivariate Adaptive Regression
Splines (Mars) in Predicting Body Weight from
Body Measurements in Mengali Rams.
International Conference on Agriculture, Forest,
Food, Sciences and Technologies (ICAFOF), 11-17
May 2017, Nevşehir.
- Friedman JH 1990. Multivariate Adaptive Regression
Splines.The Annals of Statistics, 19: 1– 141.
- Friedman JH 1991. Adaptive Spline Networks. In
Advances in Neural Information Processing
Systems: 675-683.
- Grzesiak W, Zaborski D, Sablik P, Żukiewicz A, Dybus
A, Szatkowska I 2010. Detection of Cows with
Insemination Problems Using Selected
Classification Models. Computers and Electronics
in Agriculture, 74(2): 265-273.
- Hastie T, Tibshirani R, Friedman JH 2008. The
Elements of Statistical Learning: Data Mining,
Inference and Prediction. Second Edition, New
York, Springer.
- Karadaş K, Erturk YE, Eyduran E, Gürsoy AK, Tarıq
MM 2017. Predictive Performances of Chaid and
Mars Data Mining Algorithms in the Establishment of Relationship between Live Body Weight and
Several Morphological Measurements of
Indigenous Mengali Sheep and Its Economic
Importance. International Conference on
Agriculture, Forest, Food, Sciences and
Technologies (ICAFOF), 11-17 May 2017, Nevşehir.
- Kooperberg C, Stone CJ, Truong YK 1995. Hazard
Regression. Journal of American Statistical
Association, 90 (429): 78-94
- Leathwick JR, Elith J, Hastie T 2006. Comparative
Performance of Generalized Additive Models and
Multivariate Adaptive Regression Splines for
Statistical Modelling of Species
Distributions. Ecological Modelling, 199(2): 188-
196.
- Mallick BK, Denison DGT, Smith AFM 1999. Bayesian
Survival Analysis Using a MARS Model.
Biometrics, 55: 1071-1077.
- Muzır E 2011. Basel II Düzenlemeleri Doğrultusunda
Kredi Riski Analizi ve Ölçümü: Geleneksel
Ekonometrik Modellerin Yapay Sinir Ağı ve MARS
Modelleriyle Karşılaştırılmasına Yönelik Ampirik
Bir Çalışma. İstanbul Üniversitesi, Sosyal Bilimler
Enstitüsü, İşletme Anabilim Dalı, Doktora Tezi,
İstanbul.
- Orhan H, Kaygısız A 2002. Siyah Alaca Sığırlarda
Farklı Laktasyon Eğrisi Modellerinin
Karşılaştırılması. Hayvansal Üretim, 43(1): 94-99.
- Orhan H, Çetin Teke E, Karcı Z, Dinç G, Fentoğlu Ö
2017. Applicability of MARS Method Using Saliva Oxidative Stress Parameters in Detecting
Periodontal Disease. 3rd International
Researchers, Statisticians and Young Statisticians
Congress (IRSYSC-2017) 24-26 May 2017, Konya.
- Öztürk S, Sevinç V 2013. Yeni Doğan Bebeklerin
Düşük Doğum Ağırlığının Mars Yöntemine Dayalı
İkili Lojistik Regresyonla Modellenmesi. İstatistik
Araştırma Dergisi, 10(2): 56-72.
- Özyurt A, Özkan M 2009. Orta Anadolu’da Yetiştirilen
Siyah- Alaca Sığırlarda Laktasyon Eğri Şekli Ve
Eğriye Etkili Olan Faktörler. Hayvansal Üretim
50(1): 31-37.
- Samui P, Kim D, Viswanathan R 2015. Spatial
Variability of Rock Depth Using Adaptive NeuroFuzzy
Inference System (ANFIS) and Multivariate
Adaptive Regression Spline (MARS).
Environmental Earth Sciences, 73(8): 4265-4272.
- Steinberg D, Colla PL, Kerry M 1999. MARS User
Guide. San Diego, CA: Salford Systems.
- Temel GO, Ankaralı H, Yazıcı AC 2010. Regresyon
Modellerine Alternatif Bir Yaklaşım:
MARS. Türkiye Klinikleri Journal of
Biostatistics, 2(2): 58-66.
- Tunay KB 2001. Türkiye’de Paranın Gelir Dolaşım
Hızlarının MARS Yöntemiyle Tahmini. ODTÜ
Gelişme Dergisi, 28 (3-4): 431-454.
- Yang CC, Prasher SO, Lacroix R, Kim SH 2003. A
Multivariate Adaptive Regression Splines Model for
Simulation of Pesticide Transport in Soils.
Biosystems Engineering, 86(1): 9–15.