基于机器学习的土耳其羊群数量主要影响因素识别：运用多重插补技术进行的百年数据分析

《Tropical Animal Health and Production》：Machine learning based identification of key production drivers of sheep population in Türkiye: a century-long analysis with multiple imputation techniques

　　

摘要

本研究首次运用长达一个世纪的数据集（1925–2024年），借助先进的机器学习算法，分析影响土耳其羊群数量（NSheep）的关键因素。由于原始数据集中存在缺失值，研究采用了四种填补方法——向后递推法（NOCB）、均值法、MIDASpy法和随机森林法（RF）——从而生成四个不同的数据集以便比较分析。为找出与羊群数量相关的关键影响因素，研究通过5折交叉验证以及多种性能指标（R2、MSE、RMSE、MAE和MdAPE），对极端梯度提升算法（XGB）和多层感知器算法（MLP）进行了建模。在所有填补方法下，MLP的预测误差均低于XGB，但这一差异仅在NOCB和RF填补方法下得到统计验证（Diebold-Mariano检验，P?<?0.01和P?<?0.05）；而均值法和MIDASpy法下的差异并不显著。采用NOCB填补方法的MLP具有最高的整体准确率（R2 = 0.975），而采用RF填补方法的XGB的拟合效果最差（R2 = 0.917）。特征重要性分析表明，在所有四种填补方法和两种算法中，牛群数量（NBovine）始终是与羊群数量关联最密切的变量，其次是XGBoost模型中的草地和牧场面积（M&PH），而MLP模型中则是一组分布更为均衡的变量（草地和牧场面积、羊肉产量、山羊数量）。鉴于研究期间牛群数量和羊群数量均呈稳步上升趋势，这种关联被视为各畜牧业子领域共同发展的体现，而非牛群数量对羊群数量的因果影响。这些基于特定数据集的关联研究发现，将多种填补策略与灵活的机器学习算法相结合，有助于分析长期农业生产数据中的结构性相互依赖关系。未来若能采用按时间顺序排列的验证方法，并明确建模结构突变和政策变动，将进一步验证这些关联的稳定性；同时，将该方法应用于其他畜牧业物种和地区，也有助于确定其更广泛的适用性。