Mandalarda Çiğ Süt Bileşimi ve Somatic Hücre Sayısının Destek Vektör Makinaları İle Sınıflandırılması

Classification of Raw Milk Composition and Somatic Cell Count in Water Buffaloes with Support Vector Machines

Özet

Bu çalışmada amaç mandalarda çiğ süt bileşimi ve somatik hücre sayısı verilerini kullanarak süt kalitesinin destek vektör makineleri (DVM) ile sınıflandırılmasını araştırmaktır. Bu amaçla, 288 mandaya ait somatik hücre sayısı ve 11 değişkenli (kuru madde, yağsız kuru madde, yağ, protein, laktoz, kazein, üre, yoğunluk, asitlik, pH, donma noktası) süt bileşenleri kullanılmıştır. DVM, istatistiksel öğrenme sistemi ile yapısal risk minimizasyonuna dayanan, hem doğrusal hem de doğrusal olmayan verilere uygulanabilen yüksek genelleme kabiliyetine sahip bir sınıflandırıcıdır. DVM’de kullanılan bazı çekirdek fonksiyonlarının (polinom çekirdeği, normalleştirilmiş polinom çekirdeği ve radyal temel çekirdeği) sınıflandırma başarıları araştırılmış ve sınıflandırma performansları çok katmanlı bir algılayıcı algoritması ile karşılaştırılmıştır. Sonuçlar, polinom çekirdeğinin, normalize polinom çekirdeğinin ve radyal temel çekirdeğin sınıflandırma başarılarının sırasıyla %93.06, %92.36 ve %90.97 olduğunu, çok katmanlı algılayıcı algoritmanın sınıflandırma başarısının %81.60 olduğunu göstermiştir. Çekirdek fonksiyonlarının hata kareleri ortalamasının karekökü (RMSE) değerleri ile karşılaştırılması yapıldığında, polinom çekirdeğinin en düşük değere (0.263) sahip olduğunu, çok katmanlı algılayıcının en yüksek değere (0.384) sahip olduğu tespit edilmiştir. Bu kritere göre, en iyi sınıflandırıcının polinom çekirdek fonksiyonu, en zayıf sınıflandırıcının ise çok katmanlı algılayıcı (0.384) olduğu görülmüştür. ROC eğrisi altında kalan alan değerleri göz önüne alındığında, 1’e yakınlık kriteri açısından, normalleştirilmiş polinom çekirdeği en iyi fonksiyon, çok katmanlı algılayıcının en zayıf fonksiyon olduğu gözlenmiştir. Hassasiyet, duyarlılık ve F-ölçüm değerlerinin ayrı ayrı değerlendirilmesi sonucunda sınıflandırmada en başarılı fonksiyonun polinom çekirdeğini, en başarısız fonksiyonun ise çok katmanlı algılayıcı olduğu belirlenmiştir.

Abstract

The study investigates the classification of milk quality with support vector machines (SVM) using the raw milk composition and somatic cell count (SCC) data on buffalos. For this purpose, 11-variable (dry matter, fat-free dry matter, fat (%), protein, lactose, casein, urea, density, acidity, pH, freezing point) on milk composition and SCC of 288 buffalos were used. SVM is a classifier with a high generalization ability that is based on structural risk minimization with a statistical learning system and can be applied to both linear and non-linear data. The classification successes of some kernel functions used in the SVM (polynomial kernel, normalized polynomial kernel and radial basis kernel) were investigated and their classification performances were compared with a multilayer perceptron algorithm. The results showed that the classification successes of polynomial kernel, normalized polynomial kernel and radial basis kernel were 93.06%, 92.36% and 90.97%, respectively, while the classification success of the multilayer perceptron was 81.60%. The comparison of the results with respect to the root mean square error (RMSE) values revealed that the polynomial kernel had the lowest value (0.263), while the multilayer perceptron had the highest value (0.384). According to this criterion, the best classifier was the polynomial kernel function, while the weakest classifier was the multilayer perceptron (0.384). Considering the receiver operating characteristic (ROC) area values, with respect to the closeness to 1 criterion, normalized polynomial kernel was the best function, while the multilayer perceptron function was the weakest function. The separate evaluation of the precision, sensitivity and F-measure values showed that the polynomial kernel was the most successful function, while the multilayer perceptron was the weakest function.