Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | University of Wisconsin | - |
Autor(es): dc.contributor | Michigan State University | - |
Autor(es): dc.contributor | Animal Science Institute | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Freitas, Luara A. | - |
Autor(es): dc.creator | Savegnago, Rodrigo P. | - |
Autor(es): dc.creator | Alves, Anderson A. C. | - |
Autor(es): dc.creator | Costa, Ricardo L. D. | - |
Autor(es): dc.creator | Munari, Danisio P. | - |
Autor(es): dc.creator | Stafuzza, Nedenia B. | - |
Autor(es): dc.creator | Rosa, Guilherme J. M. | - |
Autor(es): dc.creator | Paz, Claudia C. P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:53:09Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:53:09Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-01-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/ani13030374 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246808 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246808 | - |
Descrição: dc.description | This study investigated the feasibility of using easy-to-measure phenotypic traits to predict sheep resistant, resilient, and susceptible to gastrointestinal nematodes, compared the classification performance of multinomial logistic regression (MLR), linear discriminant analysis (LDA), random forest (RF), and artificial neural network (ANN) methods, and evaluated the applicability of the best classification model on each farm. The database comprised 3654 records of 1250 Santa Inês sheep from 6 farms. The animals were classified into resistant (2605 records), resilient (939 records), and susceptible (110 records) according to fecal egg count and packed cell volume. A random oversampling method was performed to balance the dataset. The classification methods were fitted using the information of age class, the month of record, farm, sex, Famacha© degree, body weight, and body condition score as predictors, and the resistance, resilience, and susceptibility to gastrointestinal nematodes as the target classes to be predicted considering data from all farms randomly. An additional leave-one-farm-out cross-validation technique was used to assess prediction quality across farms. The MLR and LDA models presented good performances in predicting susceptible and resistant animals. The results suggest that the use of readily available records and easily measurable traits may provide useful information for supporting management decisions at the farm level. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Department of Genetics University of Sao Paulo, SP | - |
Descrição: dc.description | Department of Animal and Dairy Sciences University of Wisconsin | - |
Descrição: dc.description | Department of Animal Science Michigan State University | - |
Descrição: dc.description | São Paulo Agency of Agribusiness and Technology Animal Science Institute, SP | - |
Descrição: dc.description | School of Agricultural and Veterinary Sciences São Paulo State University, SP | - |
Descrição: dc.description | Sustainable Livestock Research Center Animal Science Institute, SP | - |
Descrição: dc.description | School of Agricultural and Veterinary Sciences São Paulo State University, SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Animals | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | multinomial logistic regression | - |
Palavras-chave: dc.subject | Ovis aries | - |
Palavras-chave: dc.subject | precision | - |
Palavras-chave: dc.subject | sensitivity | - |
Título: dc.title | Classification Performance of Machine Learning Methods for Identifying Resistance, Resilience, and Susceptibility to Haemonchus contortus Infections in Sheep | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: