Examinando por Materia "Logistic regression"

Mostrando 1 - 2 de 2

Predicting Pregnancy After Fixed-Time Artificial Insemination in Goats: Comparative Performance of Multivariable Logistic Regression and Random Forest Models
(MDPI, 2026-08-17) Rodríguez Vargas, Aníbal Raúl; Rivas Flores, Josselin Kelly; Ruiz Chamorro, José Antonio; Galván Cavero, Gerardo Antonio; Mendoza Ordoñez, Gilmar; Ortiz Morera, Narda Cecilia; Cruz Luis, Juancarlos Alejandro
Accurate prediction of pregnancy following fixed-time artificial insemination (FTAI) remains challenging under commercial goat production conditions. This study compared multivariable logistic regression and Random Forest models for pregnancy prediction and used SHAP analysis to characterize predictor contributions. Data from 920 goats subjected to FTAI across four regions of Peru were analyzed using reproductive, hormonal, animal-level, and management variables. Logistic regression was developed after univariable screening, whereas Random Forest models used 500 trees with mtry values of 2, 3, and 4. Models were compared using stratified 10-fold cross-validation with identical folds. The mtry = 4 configuration yielded the highest Random Forest AUC. Logistic regression identified semen type, buck and doe breed, insemination site, and cervical mucus score as independent predictors. Chilled semen was associated with higher pregnancy odds, whereas superficial cervical insemination was associated with lower odds. Logistic regression outperformed Random Forest in discrimination (AUC, 0.761 vs. 0.654), accuracy (0.679 vs. 0.644), and specificity (0.882 vs. 0.782), whereas Random Forest showed higher sensitivity (0.369 vs. 0.278). SHAP analysis identified eCG dose, cervical mucus score, semen type, and insemination site as the most influential predictors. Overall, logistic regression provided superior and more consistent predictive performance, whereas Random Forest offered complementary sensitivity and captured nonlinear predictor contributions. These findings support logistic regression as the more effective predictive approach for pregnancy following FTAI under the conditions studied, with explainable machine learning providing complementary insight into prediction patterns.
Teledetección del rendimiento del arroz mediante el índice SAVI obtenido con drones y modelos de aprendizaje automático supervisado en zonas bajas tropicales
(Facultad de Ciencias Agropecuarias, Universidad Nacional de Trujillo, 2026-04-27) Ysuiza Perez, Alfredo; Perez Tello, Mónica; Goicochea Pinchi, Diego; Vega Herrera, Sergio Sebastián; Rios Rios, Raúl Martín; Dominguez Yap, Percy; García, Leonela; Barrera Torres, Cicerón; Oliva Cruz, Carlos Alberto; Santillán Gonzáles, Manuel; Arratea Pillco, David; Alejos Patiño, Italo W.
La estimación de la productividad del arroz dentro de una misma parcela es un desafío en los agroecosistemas tropicales, por la alta variabilidad espacial y limitaciones en los métodos tradicionales de monitoreo. El objetivo del estudio fue evaluar la capacidad del índice de vegetación ajustado al suelo (SAVI, soil adjusted vegetation index) derivado de imágenes multiespectrales obtenidas mediante vehículos aéreos no tripulados (UAV, unmanned aerial vehicles) para diferenciar las zonas productivas de las que no lo son en parcelas arroceras de selva baja tropical, en la región San Martín, Perú. Se usó un diseño de bloques completos al azar en dos localidades, con tres variedades de arroz, y se tomaron imágenes multiespectrales usando plataformas UAV. El rendimiento real de campo se midió con muestreo destructivo georreferenciado, ajustando el peso del grano a una humedad estándar y expresándolo en toneladas por hectárea. Con esos datos, las parcelas se clasificaron en zonas productivas y no productivas según criterios de umbral obtenidos de las mediciones directas. Después se extrajo los valores de SAVI y se usaron como variable de entrada en varios modelos de clasificación supervisada: regresión logística, máquinas de soporte vectorial (SVM), k vecinos más cercanos (KNN), bosque aleatorio y árbol de decisión. Los resultados mostraron que los valores de SAVI entre 0,50 y 0,70 se relacionaban con las zonas productivas, mientras que los que estaban entre 0,30 y 0,50 correspondían a las no productivas. La regresiónlogística y el SVM fueron los que mejor rindieron, con una exactitud global del 88,9%, valores de F1 por encima del 92% y un balance adecuado entre sensibilidad y especificidad. Esto demuestra que el SAVI con aprendizaje automático supervisado es una estrategia para discriminar espacialmente la productividad del arroz, con potencial para apoyar en el monitoreo dentro de la parcela y en las decisiones agronómicas en sistemas arroceros tropicales.