Logo des Repositoriums
 

Maschinelle Lernverfahren zur frühzeitigen Prognose der Handelsklasse

Kurzanzeige
dc.contributor.authorZimpel, Tobias
dc.contributor.authorRiekert, Martin
dc.contributor.authorHoffmann, Christa
dc.contributor.authorWild, Andrea
dc.contributor.editorGandorfer, Markus
dc.contributor.editorMeyer-Aurich, Andreas
dc.contributor.editorBernhardt, Heinz
dc.contributor.editorMaidl, Franz Xaver
dc.contributor.editorFröhlich, Georg
dc.contributor.editorFloto, Helga
dc.date.accessioned2020-03-04T13:06:49Z
dc.date.available2020-03-04T13:06:49Z
dc.date.issued2020
dc.description.abstractLandwirte in der Schweinehaltung sehen sich zunehmend einem Spannungsfeld zwischen der Wirtschaftlichkeit sowie stetig steigenden Tierwohlanforderungen ausgesetzt. In Anbetracht der Wirtschaftlichkeit spielt die Einstufung des Schlachtkörpers durch den Magerfleischanteil in die jeweilige Handelsklasse (S, E, U, R, O, P) für die Vergütung eine entscheidende Rolle. Zudem impliziert eine niedrige Handelsklasse eine Gefährdung des Tierwohls. So kann eine niedrige Handelsklasse ein Indikator für ein Untergewicht des Tieres sein. Diese Arbeit nutzt Maschinelle Lernverfahren (ML) zur Prognose der Handelsklasse. Der Datensatz umfasst über 57.000 Schweine und 14 Indikatoren der Säugephase. Der zentrale Beitrag ist ein ML-Modell zur Prognose der Handelsklasse während der Säugephase. Gegenüber dem Mehrheitsvotum wird die Genauigkeit um 12,21 % erhöht, ausgehend von einer Genauigkeit der Prognose der Handelsklasse von 68,77 %. Somit hilft der Beitrag, die Wirtschaftlichkeit von Betrieben nachhaltig zu verbessern und Abweichungen zur angestrebten Handelsklasse zu erkennen.de
dc.identifier.isbn978-3-88579-693-0
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/31924
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartof40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-355
dc.subjectMaschinelle Lernverfahren
dc.subjectHandelsklasse
dc.subjectTierwohl
dc.subjectfrühzeitige Prognose
dc.titleMaschinelle Lernverfahren zur frühzeitigen Prognose der Handelsklassede
dc.typeText/Conference Paper
gi.citation.endPage366
gi.citation.publisherPlaceBonn
gi.citation.startPage361
gi.conference.date17.-18. Februar 2020
gi.conference.locationWeihenstephan, Freising

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
GIL_2020_Zimpel_361-366.pdf
Größe:
226.58 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P299 - 40. GIL-Jahrestagung 2020 - Fokus: Digitalisierung für Mensch, Umwelt und Tier