Laktasyon Eğrileri Modellemesinde Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Mars) Yönteminin Uygulanması

Hikmet Orhan; Emine Çetin Teke; Zübeyde Karcı

doi:10.18016/ksudobil.334237

Araştırma Makalesi

Application of Multivariate Adaptive Regression Splines (MARS) for Modeling the Lactation Curves

Yıl 2018, Cilt: 21 Sayı: 3, 363 - 373, 15.06.2018

Hikmet Orhan , Emine Çetin Teke Zübeyde Karcı

https://doi.org/10.18016/ksudobil.334237

Cited By: 5

Öz

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.

Anahtar Kelimeler

Nonparametric regression model, dairy cattle, milk yield

Kaynakça

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 Neuro-Fuzzy 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.

Laktasyon Eğrileri Modellemesinde Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Mars) Yönteminin Uygulanması

Yıl 2018, Cilt: 21 Sayı: 3, 363 - 373, 15.06.2018

Hikmet Orhan , Emine Çetin Teke Zübeyde Karcı

https://doi.org/10.18016/ksudobil.334237

Cited By: 5

Öz

Bu çalışmanın amacı, siyah alaca ineklerde kontrol günü, sağım süresi,
iletkenlik ve hareketlilik bağımsız değişkenleri kullanılarak süt verimini MARS
yöntemi ile modellemektir. MARS doğrusal olmayan modellerin uygun düğüm
noktaları belirlenerek doğrusal alt modellerle tahminleme yapan parametrik
olmayan bir yöntemdir. Çalışmada 80 ineğin 2006-2011 yılları arasındaki günlük
laktasyon kayıtları kullanılmıştır. En uygun modeli tespit etmek amacıyla her
bir laktasyon için farklı etkileşimler denenmiştir. Model uygunluğu,
genelleştirilmiş çapraz geçerlilik katsayısının (GCV) minimum ve belirleme
katsayısının (R²) maksimum olması kriterleri ile
değerlendirilmiştir. Bu kriterler dikkate alındığında ilk dört laktasyon için
etkileşimsiz model, beşinci laktasyon için ise üçlü etkileşimli model en iyi
model olarak belirlenmiştir. İlk beş laktasyon sırasına göre MARS modellerinin belirleme katsayıları (R²)
sırasıyla 0.983, 0.991, 0.991, 0.975
ve 0.950 olarak bulunmuştur. Modellerde tüm
bağımsız değişken katsayılarının % 99 önem düzeyinde anlamlı olduğu
görülmüştür. Süt verimini tahminlemede MARS modellerinin tümünde en etkin
değişkenin kontrol günü olduğu belirlenmiştir. Bu
sonuçlara göre MARS ile oluşturulan modellerin süt veriminin tahmin edilmesinde
güvenle kullanılabileceği kanısına varılmıştır.

Anahtar Kelimeler

Parametrik olmayan regresyon modeli, süt sığırcılığı, süt verimi

Kaynakça

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 Neuro-Fuzzy 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.

Toplam 21 adet kaynakça vardır.

Ayrıntılar

Birincil Dil	Türkçe
Bölüm	ARAŞTIRMA MAKALESİ (Research Article)
Yazarlar	Hikmet Orhan 0000-0002-8389-1069 Emine Çetin Teke 0000-0003-4921-0925 Zübeyde Karcı 0000-0003-4921-0925
Yayımlanma Tarihi	15 Haziran 2018
Gönderilme Tarihi	11 Ağustos 2017
Kabul Tarihi	11 Eylül 2017
Yayımlandığı Sayı	Yıl 2018Cilt: 21 Sayı: 3

Kaynak Göster

APA	Orhan, H., Teke, E. Ç., & Karcı, Z. (2018). Laktasyon Eğrileri Modellemesinde Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Mars) Yönteminin Uygulanması. Kahramanmaraş Sütçü İmam Üniversitesi Tarım Ve Doğa Dergisi, 21(3), 363-373. https://doi.org/10.18016/ksudobil.334237