A incubação de ovos férteis é um dos segmentos mais importantes da cadeia avícola, etapa estratégica que gera um número muito grande de dados que podem ser aplicados em sistemas decisórios ou na avaliação da eficiência de incubatórios e/ou granjas. Diferentes genéticas de matrizes de corte e de postura resultam em diferenças no desenvolvimento embrionário entre frangos de corte e poedeiras. Estas diferenças podem se estender para a qualidade dos ovos e nível de contaminação, permitindo a comparação de dados de linhagens genéticas diferentes.
Uma das técnicas mais importantes para exploração de bancos de dados é a mineração de dados. As técnicas de mineração de dados vêm sendo aplicadas com sucesso na produção animal (Vale, et al.; 2008; Vale, et al.; 2010; Lima & Rodrigues, 2010; Pereira, et al. 2010; Ferreira, et al. 2013; Moi, et al., 2014). O conhecimento gerado no formato de árvore facilita ao usuário analisar e compreender os resultados em forma de regras de decisão expressos graficamente como uma árvore invertida. O objetivo deste trabalho foi avaliar a aplicabilidade da técnica de Mineração de Dados, utilizando árvores de classificação, em resultados de incubação de duas genéticas distintas, matrizes de frangos de corte e de poedeiras.
Material e métodos
Notícias Relacionadas
O estudo foi realizado com o banco de dados de incubação de ovos de matrizes poedeiras e de matrizes de frangos de corte do Laboratório de Avicultura – UFSM, no período de abril a setembro de 2011. Os dados utilizados no processo de mineração foram as temperaturas médias do ar e de bulbo úmido registradas durante a incubação (em máquinas incubadoras de estágio múltiplo), quantidade de ovos incubados, taxa de eclosão, eclodibilidade, porcentagem de ovos férteis, porcentagem de ovos inférteis, porcentagem de mortalidade embrionária por período (M1, M2, M3, M4), ovos bicados e ovos contaminados. A classe foi definida em função da linhagem genética dos ovos: ovos de matrizes de poedeiras (POED) e ovos de matrizes de frangos de corte (MFC).
O banco de dados foi analisado utilizando o software Weka® versão 3.7.8 (Hall, et al., 2009), e o algoritmo de classificação J48, gerando uma árvore de classificação. Aplicou-se a seleção de atributos do Weka® com os algoritmos de seleção: InfoGain (Avalia o valor de um atributo medindo o ganho de informação no que diz respeito à classe); CFS (Avalia o valor de um subconjunto de atributos ao considerar a capacidade preditiva individual de cada recurso, juntamente com o grau de redundância entre eles); e GainRatio (Avalia o valor de um atributo, medindo a taxa de ganho no que diz respeito à classe) (Witten, et al., 2011).
A escolha das árvores de classificação foi feita levando em conta a precisão geral dos modelos e a acurácia das classes (Vale, et al., 2008 e Vale, et al., 2010), e a interpretação das regras de classificação por especialistas na área, para selecionar as melhores árvores geradas.
Leia o conteúdo na íntegra clicando aqui.
