基于多分类器集成猪育种数据挖掘

摘要

一方面，我国是一个养猪大国，猪肉产量居世界第一。但核心的种猪长期依靠进口，在猪育种上的工作远落后于其他先进的国家。另一方面，随着计算机的普及和信息化的步伐逐渐加快，互联网已经渗透到社会中的各行各业，而农业也迎来改革，信息化的管理系统正在不断提高农业生产效率。再者，如今数据挖掘技术不断趋于成熟，在实践中沉淀下来大量经典的算法，但猪育种领域尚未有数据挖掘应用的先例，因此本文通过数据挖掘手段来研究猪育种模型，为猪的育种工作开辟新道路。本文的研究成果为猪育种工作乃至生物育种工作提供了新思路;同时，猪育种效率的提高，在同等的市场需求量下，就可以减少猪的饲养数量，对保护环境起到积极的作用。
　　本文完成了以下几个方面的工作。
　　第一，基于生物工程手段对数据进行预处理。考虑到实验用的配种记录数据特征较少以及配种个体的重复使用性，结合育种学领域经典的BLUP即最佳线性无偏预测，计算个体的EBV(Estimated Breeding Value)作为新的特征。
　　第二，比较各分类算法以及组合策略的分类效果。通过实验比较朴素贝叶斯、逻辑回归、随机森林和支持向量机等算法在不平衡数据集和平衡数据集下的分类效果，并运用分类阈值调整策略，一定程度上提高了小样本类的精确度(Precision)和召回率(Recall)，分析发现本文中数据集的平衡性对分类准确率的影响较小。基于以上基础分类算法，提出了简单投票策略、平均值最大策略、乘积最大策略和妥协策略等组合策略，对于不平衡数据集，分类准确率最高达到90.10％;对于平衡的数据集，分类准确率最高达到91.43％。并且对于错分样本，结合实际情况，提出针对第1胎次的降级策略。
　　第三，将本文研究成果应用于实际生产。基于本文研究成果开发软件系统，包括近交分析、留种分析和配种模型三个子模块。近交分析基于近交定律帮助用户分析种群中个体之间的近交情况;留种分析基于BLUP方法帮助用户更高效地挑选后备种猪;配种模型基于本文的研究成果，为用户推荐与待配种母猪最适配的公猪。系统已在猪场进行了实际应用，解决了育种过程中近交判断、配种和留种的关键问题，受到了用户的一致好评。

目录

声明

摘要

第一章 绪论

1．1 猪育种工作的研究背景和现状

1．1．1 猪育种工作的研究背景

1．1．2 猪育种工作的研究现状

1．2 研究基础

1．2．1 机器学习

1．2．2 数据挖掘

1．3 研究的目的和意义

1．4 本文主要工作

第二章 猪育种数据的特征选择与处理

2．1 猪育种数据特征选择

2．2 猪育种数据预处理

2．3 本章小结

第三章 基于多分类器集成学习的猪育种数据分类方法

3．1 概述

3．2 BLUP模型在猪育种数据上的应用

3．2．1 近交系数和血缘相关系数

3．2．2 BLUP模型原理

3．2．3 BLUP模型应用

3．3 基于贝叶斯分类的猪育种数据挖掘

3．4 基于逻辑回归分类的猪育种数据挖掘

3．5 基于决策树分类的猪育种数据挖掘

3．6 基于支持向量机分类的猪育种数据挖掘

3．7 基于多分类器融合策略的猪育种数据挖掘

3．8 小结

第四章 实验分析

4．1 实验环境

4．1．1 实验数据

4．1．2 评估指标

4．2 不同分类算法结果分析

4．2．1 基于朴素贝叶斯

4．2．2 基于逻辑回归

4．2．3 基于随机森林

4．2．4 基于支持向量机

4．2．5 基于多分类器融合策略

4．2．6 各分类算法结果比较

4．3 小结

第五章 应用成果

5．1 猪OK平台介绍

5．2 近交分析

5．3 留种分析

5．4 配种模型

5．5 小结

第六章 总结与展望

6．1 工作总结

6．2 工作展望

参考文献

致谢