İvesi Koyunlarında Laktasyon süt Verimlerinin Çoklu Doğrusal Regresyon ve Yapay Sinir Ağı Modelleriyle Karşılaştırılmalı Incelenmesi

Abstract

Bu çalışmada İvesi koyunlarının laktasyon süt verimleri üzerine proje, sürü, kuzulama ayı ve laktasyon süresinin etkisi çoklu regresyon ve yapay sinir ağı ile modellenmiş ve modellerin uyum yetenekleri karşılaştırılmıştır. Analizler 2019 yılında kuzulayan toplam 5749 adet İvesi koyunun laktasyon süt verimleri üzerinde uygulanmıştır. Hayvan materyalinin % 80'i eğitim, % 20'i ise test veri seti olarak rastgele ayrılmıştır. Yapay sinir ağları (YSA) modelinde tekrarlanan denemeler sonucunda seçilen mimariye göre, gizli katman sayısı üç ve bu katmandaki gizli düğüm sayısı beş olarak alınmıştır. YSA 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 eğitim ve test veri setlerine ait R²değerleri 0,55-0,62, RMSE değerleri 17864,83-16801,78, MAD değerleri 12427-11461 ve MAPE değerleri 17,30-14,73 olarak bulunmuştur. Çoklu doğrusal regresyonda ise bu değerler sırası ile R2 için 0,31-0,41, RMSE için 17702,31-15528,64, MAD değeri 12014-10844 ve MAPE değeri 16,40-14,26 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 belirlenmiştir. Dolayısıyla, yapay sinir ağlarının regresyon analizine alternatif bir metot olabileceği sonucuna ulaşılmıştır.

Alternate abstract:

In this study, effects of lactation length, project, lambing month and herd on lactation milk yield of Awassi sheep were modeled with multiple regression and artificial neural networks (ANN) and compared of fit of models. Analyses were carried on lactation milk yields of 5749 Awassi sheep lambed during the year of 2019. 80% of the data set was randomly allocated as training and 20% as test data set. After several experiments, hidden layer number was taken three and hidden nodes number were found five for the chosen architecture. 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 R²values of training and test data sets were found 0.55-0.62 for the lactation milk yields with neural networks model. RMSE, MAD and MAPE criteria also were found 17864.83-16801.78, 12427-11461 and 17.30-14.73, respectively. These criteria were found for R2, RMSE, MAD and MAPE among 0.31-0.41, 17702.31-15528.64, 12014-10844 and 16.40-14.26, respectively for multiple linear regression. When the models were compared, the artificial neural networks model gave better fit than multiple linear regression model. Consequently, artificial neural networks was determined as an alternative method to multiple regression analysis.