XGBoost Algoritması ve Saanen Oğlaklarında Vücut Ölçüleri Kullanılarak Canlı Ağırlığın Tahmini Amacıyla Kullanılması

Değişkenler arasındaki ilişkiyi matematiksel olarak modelleyen regresyon yöntemleri, gelişen bilim dünyasında istatistiki yöntemlerden biri olarak modernleşmektedir. Bu doğrultuda makine öğrenmesi yöntemleri klasik yöntemlerden ayrılarak daha uygulanabilir analizler sağlayarak karşımıza çıkmaktadırlar. Bu çalışmada 157 adet oğlak verisine ait cidago yüksekliği (CY), sağrı yüksekliği (SY), göğüs derinliği (GD), doğum ağırlığı (DA) ve vücut uzunluğu (VU) değişkenleri kullanılarak canlı ağrlık (CA) tahmini XGBoost metodu kullanılarak analiz edilmiştir. Çoklu doğrusal bağıntının varlığını tespit etmek amacıyla Varyans Şişirme Faktörü analizi sonucunda tüm değişkenler için 5 eşiğinin altında değerler bulunmuştur. Çapraz Doğrulama Kat sayısının, Ortalama Hata Kareleri Kökü üzerine etkisini göstermek amacıyla XGBoost hiperparametre ayarlaması sonucunda 7 katlı çapraz doğrulamanın marjinale ulaştığı belirlenmiştir. Optimum model; eta=0,1, max_depth=5, min_child_weight=1, subsample=0,7, colsample_bytree=0,5, gamma=0 ve best_nrounds=240 parametreleri ile elde edilmiştir. Bu model test verisinde 0,283 RMSE, 0,115 MAE ve 0,988 R² değeri ile yüksek tahmin başarısı göstermiştir. Optimize edilmiş XGBoost modeli için öğrenme eğrisine bakıldığında seçilen modelin iyi dengelenmiş olduğu ve güçlü genelleme yeteneğini koruduğu gözlemlenmiştir. Hangi değişkenlerin önemli olduğunu ve aynı zamanda model tahminlerini nasıl ve hangi yönde etkilediklerini belirlemek amacıyla hem kazanç tabanlı değişken önemi hem de SHAP analizi çıktılarına göre C2 en etkili tahminleyici olarak belirlenmiştir. Elde edilen bulgular, XGBoost algoritmasının oğlaklarda canlı ağırlık tahmininde güvenilir, başarılı ve yorumlanabilir bir yöntem olduğunu göstermektedir.