Sınıfl andırma Ağacı Algoritmaları ve Çok Değişkenli Uyarlanabilir Regresyon Uzanımları (MARS) Kullanılarak Kıl ve Honamlı Keçilerinin Fenotipik Karakterizasyonu

Phenotypic Characterization of Hair and Honamli Goats Using Classification Tree Algorithms and Multivariate Adaptive Regression Spline (MARS)

Özet

Hayvanları bilimsel olarak tanımlamak ve ırkları birbirinden ayırt etmek için bazı morfolojik ve fizyolojik verilere ihtiyaç vardır. Alanında uzman olmayanlar dışında keçi ırklarını birbirinden ayırt etmek güçtür. Bu çalışma, veri madenciliği algoritmaları kullanılarak bazı vücut özellikleri üzerinden Honamlı ve Kıl keçileri için yeni bir fenotipik karakterizasyon geliştirmeyi amaçlamıştır. Çalışmada, Kıl keçisi (65 hayvan) ve Honamlı keçisinin (83 hayvan) bazı vücut özellikleri bağımsız değişkenler olarak kullanılmıştır. Veri madenciliği algoritmalarının bağımlı değişkeni ise Honamlı ve Kıl ırkları ikili yanıt değişkeni olarak tanımlanmıştır. CHAID, Exhaustive CHAID, CART, QUEST ve MARS algoritmalarının ırk ayrımındaki başarısı sırasıyla %87.80, %85.80, %87.80, %77.00 ve %88.51 iken, ROC eğrisi altında kalan alan ise sırasıyla 0.880, 0.853, 0.868, 0.784 ve 0.942 ve Cohen’s Kappa katsayıları (κ) 0.755, 0.711, 0.749, 0.549 ve 0.739 olduğu tespit edilmiştir. Sonuç olarak, morfolojik ayrımları tam olarak yapılamayan Honamlı ve Kıl keçilerinin MARS ve CHAID algoritmalarında fenotip karakterizasyonu diğer yöntemlere göre yüksek başarı ile gerçekleşmiştir. Bu çalışma, Honamlı ve Kıl keçilerinin morfolojik verilere dayalı uygun istatistiksel algoritmalarla ayırt edilebileceğini ve damızlık hayvanların kökenini tespit etmek için keçi ıslahı çalışmaları ile entegre edilebileceğini göstermiştir.

Abstract

Some morphological and physiological data are needed to scientifically describe animals and distinguish breeds from one another. Except for those who are not experts in the field, it is difficult to distinguish goat breeds from each other. Using data mining algorithms, this study aimed to develop a new phenotypic characterization for Honamli and Hair goats via some body measurement characteristics. In the study, some body characteristics of the Hair goat (65 animals) and the Honamli goat (83 animals) were used as independent variables. Th e dependent variable of the data mining algorithms, on the other hand, was defined as the binary response variable of Honamli and Hair breeds. Th e success of the CHAID, Exhaustive CHAID, CART, QUEST, and MARS algorithms in breed discrimination was determined at 87.80%, 85.80%, 87.80%, 77.00%, and 88.51%, respectively, while the area under the ROC curve was detected 0.880, 0.853, 0.868, 0.784, and 0.942, respectively, and Cohen’s Kappa coefficient (κ) 0.755, 0.711, 0.749, 0.549 and 0.739, respectively. As a result, the phenotype characterization of Honamli and Hair goats, whose morphological distinctions could not be made exactly, in MARS and CHAID algorithms, achieved with high success compared to other methods. Th e present study showed that Honamli and Hair goats may be distinguished by suitable statistical algorithms based on morphological data, which can be integrated with goat breeding studies to detect the origin of breeding animals.