Árboles de decisión para la predicción del estro en el ganado bovino
Barra lateral del artículo
Contenido principal del artículo
Resumen
La Inteligencia Artificial permite la transformación de la reproducción bovina ya que brinda herramientas para la detección temprana del estro incluyendo los árboles de decisión. En Cuba, se está introduciendo la Inteligencia Artificial como parte del proceso de transformación digital. En esta investigación, se planteó como objetivo: determinar el algoritmo de aprendizaje automático más adecuado para la predicción del estro en el ganado bovino perteneciente a la Granja Universitaria “El Guayabal”. Para el análisis de selección se identificaron tres herramientas de aprendizaje automático: Random Forest, XGBoost y CART donde se tuvo en cuenta las particularidades de cada algoritmo. El análisis reveló que CART es la opción más adecuada para el escenario de investigación, destacando por su bajo consumo de recursos, flexibilidad y precisión en el procesamiento de conjuntos de datos de tamaño pequeño a moderado.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Citas
ÁLVAREZ, S.: “Luces, sombras y riesgos de la inteligencia artificial”, PAPELES de relaciones ecosociales y cambio global, 164: 5-12, 2024.
ÁVILA, I.M.: Incidencia de factores intrínsecos y extrínsecos en la efectividad reproductiva mediante la inseminación artificial en las parroquias de salcedo en el período 2023., Universidad Técnica de Cotopaxi]. Ecuador., Tesis de Grado, Cotopaxi, Ecuador, 2024.
BARRIENTOS, R. E.; CRUZ, N.; ACOSTA, H. G.; IVONNE, R.; GOGEASCOECHEA, M.; PAVÓN, P.; BELÁZQUEZ, S. L.: "Árboles de decisión como herramienta en el diagnóstico médico". Revista Médica de la Universidad Veracruzana, 9(2), 2009. Disponible en: https://www.soporte.uv.mx/rm/num_anteriores/revmedica_vol9_num2/articulos/arboles.pdf
BEKARA, M.E.A.; BAREILLE, N.: “Quantification by simulation of the effect of herd management practices and cow fertility on the reproductive and economic performance of Holstein dairy herds”, Journal of dairy science, 102(10): 9435-9457, 2019, ISSN: 0022-0302. DOI: https://doi.org/10.3168/jds.2018-15484.
BENITEZ, R.; CENCERRADO, A.; ESCUDERO,G.; KANAAN,S.: Inteligencia Artificial Avanzada (Vol. 1). Universitat Oberta de Catalunya, 2018. Disponibleen: https://openaccess.uoc.edu/bitstream/10609/140427/8/Inteligencia%20artificial%20avanzada_M%C3%B3dulo%201_Inteligencia%20artificial%20avanzada.pdf
BOUZA, C. N.; SANTIAGO, A.: "La minería de datos: Árboles de Decisión y su aliación en estudios médicos". Modelación Matemática de Fenómenos del Medio Ambiente y la Salud, 2, 64-78, 2012. Disponible en: https://rideca.cs.buap.mx/web/files/articulo_itBUo0uWlAaJENf.pdf.
CABALLERO, Y.; BELLO, R.; ROSETE, A.: “La inteligencia artificial dentro de la transformación digital para el desarrollo”, Anales de la Academia de Ciencias de Cuba, 14(1), 2024, ISSN: 2304-0106., Disponible en: http://www.revistaccuba.cu/index.php/revacc/article/view/1530.
CARVAJAL, A. M.; MARTÍNEZ, M. E.; TAPIA, M.: "Ciclo estral en la hembra bovina y su importancia reproductiva". INIA, 246, 2020.
CHÁVEZ, N.; GONZÁLEZ, R.; MARRERO, Y.; GONZÁLEZ, L. M.: "La Inteligencia Artificial en la Reproducción Bovina", Ciencias Universitarias, 22. 2024. Disponible en: https://revistas.unah.edu.cu/in-dex.php/cu
EJEA, D. G.: Árboles de Regresión. Algunos algoritmos y extensiones a métodos de consenso. [Tesis de Grado, Universidad de Zaragoza]. 2017. Disponible en: https://zaguan.unizar.es/record/63779/files/TAZ-TFG-2017-4733.pdf
FOOTE,R.H.:"Thehistoryofartificial insemination:Selectednotes andnotables". Journal of Animal Science, 80(2), 1-10, 2002. Disponible en: https://www.asas.org/docs/defaultsource/midwest/mw2020/publications/footehist.pdf?sfvrsn=59da6c07_0
GARCÍA, C.: Aplicación para predecir afluencia de gente en las calles de Madrid. [Tesis de Grado, Escuela Técnica Superior de Ingeniería y Sistema de Telecomunicación]. 2023. Disponible en: https://oa.upm.es/77956/1/PFG_GARCIA_CALVO_CRISTINA.pdf.
GHIASI, M. M.; ZENDEHBOUDI, S.; MOHSENIPOUR, A. A.: "Decision tree-based diagnosis of coronary artery disease: CART model". Computer Methods and Programs in Biomedicine, 192. 2020. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0169260719308971
GONZÁLEZ, N.; LEYVA, M. Y.; FAGGONI, K. M.; ÁLVAREZ, P. J.: "Estudio comparado de las técnicas de Inteligencia Artificial para el diagnóstico de enfermedades en la ganadería". Sistemas, Cibernética e Informática, 15(2), 2018.
HAFEZ, E.S.E.; HAFEZ, B.: Reproduction in Farm Animals (7th ed.). 2000. Disponible en: https://cuvas.edu.pk/cuvas_libraries/ebooks/Reproduction%20In%20Farm%20Animals%20HAFEEZ.pdf
HERNÁNDEZ, J.; ORTEGA, A.: Manual de Inseminación Artificial en Bovinos., Ed. Universidad Nacional Autónoma de México, México D.F., 2009.
HERNÁNDEZ, L.: Análisis predictivo de funcionamien‐ to de Sistema Híbrido Off Grid mediante Machine Learning. [Tesis de Grado, Escuela Técnica Superior de Ingeniería y Sistema de Telecomunicación]. Madrid, España, 2022. Disponible en: https://oa.upm.es/72650/1/TFG_LAURA_HERNANDEZ_CUBO.pdf
HINESTROZA RAMÍREZ, D.: “El Machine Learning a través de los tiempos, y los aportes a la humanidad”, 2018.
HORRACH, M. N.; BERTOT, J. A.; VÁZQUEZ, R.; GARAY, M.: "Eficiencia reproductiva de sistemas vacunos en inseminación artificial. Tendencias actuales y perspectivas". Revista de Producción Animal, 32 (3), 2020. Disponible en; https://revistas.reduc.edu.cu/index.php/rpa/article/view/e3592
HOYOS, J. F.; VELÁSQUEZ, B. L.; RICO, D.; GARCÍA, N.: "Impacto transformador de la inteligencia artificial y aprendizaje autónomo en la producción agropecuaria: un enfoque en la sostenibilidad y eficiencia". Revista Formación Estratégica, 7 (1), 2023. Disponible en https://formacionestrategica.com/index.php/foes/article/view/111/80. ISSN: 2805-9832.
JIMÉNEZ, D.: Técnicas de Inseminación Artificial aplicadas en bovinos. [Tesis de Grado, Universidad Autónoma Agraria "Antonio Narro"]. México, 2010.
KOCARIK, B.; DEVECI, İ.: "Regresyon Analizleri mi Karar Ağaçları mı?" Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 18 (4), 251-260, 2020.
ISSN: 1304-4796.
KOTSIANTIS, S. B.: "Decision trees: a recent overview". Artificial Intellence Review, 39(4), 261-283, 2013. Disponible en: https://link.springer.com/article/10.1007/s10462-011-9272-4#citeas].
MARTÍ, A.; MILBERBERG, A.; MARESA, D.; PRIETO, A. S.; LLANES-SANTIAGO, O.: "Propuesta de metodología para el diagnóstico de fallos basado en árboles de dicisión y lógica difusa". Revista de Ingeniería Electrónica, Automática y Comunicaciones, 43(2), 2022.
MCTAVISH, H.; ZHONG, C.; ACHERMANN, R.; KARIMALIS, I.; CHEN, J.; RUDIN, C.; SELTZER, M.: Fast Sparse Decision Tree Optimization via Reference Ensembles The Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI-22), 2022. Disponible en: https://cdn.aaai.org/ojs/21194/21194-13-25207-1-2-20220628.pdf.
MONTES DE OCA, E. A.: Desarrollo histórico y tendencial de la ganadería vacuna en la Isla de la Juventud: período 1573-actualidad. [Tesis de Maestría, Universidad de La Habana]. 2016. Disponible en: https://accesoabierto.uh.cu/files/original/2134433/Elvira_Aleida_Montes_de_Oca_Garcia_[2017].pdf
OCHOA, L. L.: Evaluación de Algoritmos de Clasificación utilizando Validación Cuzada The 17th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Industry, Innovation, and Infrastructure for Sustainable Cities and Communities”, Montego Bay, Jamaica, 2019.
OLASCOAGA-DEL ANGEL, K. S.; KONIGSBERG- FAINSTEIN, M.; PÉREZ-VILLANUEVA, J.; LÓPEZ, N. E.: "Uso de la inteligencia artificial en la investigación para el reposicionamiento de fármacos". TIP Revista Especializada en Ciencias Químico-Biológicas, 25, 1-17. 2022. DOI: https://doi.org/10.22201/fesz.23958723e.2022.450
ORTIZ, S. D.; AVILA, K. Y.: Fundamentos y métodos actuales de detección de celo en bovinos. [Tesis de Grado, Universidad Cooperativa de Colombia]. Colombia, 2020.
PARRADO-ALVAREZ, O.L.; CARRIÓN-CABRERA, L.; CUESTA-LÓPEZ, R.: “El pensamiento y obra de Fidel Castro Ruz sobre la formación de profesionales para la agricultura: Array”, Maestro y Sociedad, 172-183, 2019, ISSN: 1815-4867.
PATEL, H. H.; PRAJAPATI, P.: "Study and Analysis of Decision Tree Based Classification Algorithms". International Journal of Computer Sciences and Engineering, 6(10), 2018.
PERDIGÓN, R.; GONZÁLEZ, N.: "Comparación y selección de técnicas de inteligencia artificial para pronosticar las producciones de leche bovina". Revista Cubana de Ciencias Informáticas, 15(2), 24-43, 2021.
PÉREZ, A.: Detección de Patrones de Fallas de Automóviles Basada en Técnicas de Aprendizaje automático y Bases de Conocimiento. [Tesis de Maestría, Benemérita Universidad Autónoma de Puebla]. México, 2024. Disponible en: https://repositorioinstitucional.buap.mx/server/api/core/bitstreams/8c9719a0-939c-4e74-8c45-2b089e0b88d5/con- tent
RESENDIZ, J. A.: Las maquinas de vectores de soporte para identificación en línea. [Máster en Control Automático, Centro de Investigaciones del Instituto Politécnico Nacional de México], México, 2006.
RODRÍGUEZ, D.; DOLADO, J.: Redes Bayesianas en la Ingeniería del Software. 1-21, 2007.
SHAFIEE, S.; LIED, L. M.; BURUD, I.; DIESETH, J. A.; MUATH, A.: "Sequential forward selection an dsupport vector regression in comparison to LASSO regression for spring wheat yield prediction based on UAV imagery". Computers and Electronics in Agriculture, 183, 2021. DOI: https://doi.org/10.1016/j.compag.2021.106036. ISSN: 0168-1699.
SOUZA, V.; DE OLIVEIRA, G.: "Application of Articial Intelligence in Cattle Farming: A Scope Review". Revista electrónica de Veterinaria (REDVET), 23 (2), 2022. Disponible en https://veterinaria.org/index.php/REDVET/article/download/160/37/. ISSN: 1695-7504.
STRAPPINI, A.C.; NORAMBUENA, L.; MATAMALA, F.: Importancia de la detección de celo utilizando métodos amigables con el bienestar animal, Inst. XXXVIII Reunión Científica Anual de la Asociación Peruana de Producción Animal, Perú, 2015.
TAHA, B.; Y MOHSIN, A.: "Classification Based on Decision Tree Algorithm for Machine Learning". Journal of Applied and Technology Trends, 02(01), 20-28, 2021. Disponible en: https://www.jastt.org/index.php/jasttpath/article/view/65
THIBIER, M.: "The zootechnical applications of biotechnology in animal reproduction: current methods and perspectives". Reproduction Nutrition Development, 45, 235-242, 2005. DOI: https://doi.org/10.1051/rnd:2005016
TONG, L.; LIU, Z.; JIANG, Z.; ZHOU, F.; CHEN, L.; LYU, J.; ZHANG, X.; WANG, Y.; LI, L.; ZHOU, H.: "Cost-sensitive boosting pruning trees for depression detection on Twitter". IEEE Transactions on Affective Computing, 2022.
TRUJILLANO, J.; SARRIA-SANTAMERA, A.; ESQUERDA, A.; BADIA, M.; PALMA, M.; MARCH, J.: "Aproximación a la metodología basada en árboles de decisión (CART). Mortalidad hospitalaria del infarto agudo de miocardio". Gac Sanit, 22(1), 65-72, 2008.
VIVARACHO-PASCUAL, C.; SIMON-HURTADO, A.; MANSO-MARTINEZ, E.; PASCUAL-GASPAR, J. M.: "Client Threshold Prediction in Biometric Signature Recognition by Means of Multiple Linear Regression and Its Use for Scrore Normalization". The Journal of the Pattern Recognition Society, 55, 1-13, 2016. DOI: https://doi.org/10.1016/j.patcog.2016.02.007
ZHONG, M.; GEORGIOPOULOS, M.: "Anagnostopoulos, G. C.: A k-norm pruning algorithm for decision tree classifiers based on error rate estimation" Machine learning, 71, 55-88, 2008.