AI Summary & Key Takeaways
AI InsightThe findings show that the XGBoost algorithm is a reliable, successful, and interpretable method for estimating live weight in kids.
📌 3 Key Takeaways
Abstract
Regression methods, which mathematically model the relationship between variables, are modernizing as one of the statistical methods in the developing scientific world. In this context, machine learning methods are emerging, providing more applicable analyses and differing from classical methods. In this study, live weight (LW) estimation was analyzed using the XGBoost method with 157 goat data points, specifically with the variables of wither height (CY), rump height (SY), chest depth (GD), birth weight (DA), and body length (VU). To detect the presence of multicollinearity, Variance Inflation Factor analysis showed values below 5 for all variables. To demonstrate the effect of the Cross-Validation Coefficient on the Root Mean Square Error, XGBoost hyperparameter adjustment revealed that the 7-fold cross-validation reached a marginal level. The optimum model; The model was obtained with the following parameters: eta=0.1, max_depth=5, min_child_weight=1, subsample=0.7, colsample_bytree=0.5, gamma=0, and best_nrounds=240. This model showed high prediction accuracy in the test data with RMSE of 0.283, MAE of 0.115, and R² of 0.988. Looking at the learning curve for the optimized XGBoost model, it was observed that the selected model is well-balanced and maintains strong generalization ability. To determine which variables are important and how and in what direction they affect model predictions, C2 was determined as the most effective predictor according to both the gain-based variable importance and SHAP analysis outputs. The findings show that the XGBoost algorithm is a reliable, successful, and interpretable method for estimating live weight in kids.
Özet
Değişkenler arasındaki ilişkiyi matematiksel olarak modelleyen regresyon yöntemleri, gelişen bilim dünyasında istatistiki yöntemlerden biri olarak modernleşmektedir. Bu doğrultuda makine öğrenmesi yöntemleri klasik yöntemlerden ayrılarak daha uygulanabilir analizler sağlayarak karşımıza çıkmaktadırlar. Bu çalışmada 157 adet oğlak verisine ait cidago yüksekliği (CY), sağrı yüksekliği (SY), göğüs derinliği (GD), doğum ağırlığı (DA) ve vücut uzunluğu (VU) değişkenleri kullanılarak canlı ağrlık (CA) tahmini XGBoost metodu kullanılarak analiz edilmiştir. Çoklu doğrusal bağıntının varlığını tespit etmek amacıyla Varyans Şişirme Faktörü analizi sonucunda tüm değişkenler için 5 eşiğinin altında değerler bulunmuştur. Çapraz Doğrulama Kat sayısının, Ortalama Hata Kareleri Kökü üzerine etkisini göstermek amacıyla XGBoost hiperparametre ayarlaması sonucunda 7 katlı çapraz doğrulamanın marjinale ulaştığı belirlenmiştir. Optimum model; eta=0,1, max_depth=5, min_child_weight=1, subsample=0,7, colsample_bytree=0,5, gamma=0 ve best_nrounds=240 parametreleri ile elde edilmiştir. Bu model test verisinde 0,283 RMSE, 0,115 MAE ve 0,988 R² değeri ile yüksek tahmin başarısı göstermiştir. Optimize edilmiş XGBoost modeli için öğrenme eğrisine bakıldığında seçilen modelin iyi dengelenmiş olduğu ve güçlü genelleme yeteneğini koruduğu gözlemlenmiştir. Hangi değişkenlerin önemli olduğunu ve aynı zamanda model tahminlerini nasıl ve hangi yönde etkilediklerini belirlemek amacıyla hem kazanç tabanlı değişken önemi hem de SHAP analizi çıktılarına göre C2 en etkili tahminleyici olarak belirlenmiştir. Elde edilen bulgular, XGBoost algoritmasının oğlaklarda canlı ağırlık tahmininde güvenilir, başarılı ve yorumlanabilir bir yöntem olduğunu göstermektedir.