این پژوهش با هدف بررسی عوامل مؤثر بر سه ناهنجاری مهم تولیدمثلی سقط جنین، مرده زایی و جفت ماندگی در گاوهای شیری هلشتاین و پیش بینی وقوع هریک با استفاده از یادگیری ماشین انجام شد. در این مطالعه داده های مربوط به 15 گله صنعتی گاو شیری از استان اصفهان طی دوره ای 10 ساله (1390-1400) جمع آوری و پس از بررسی داده ها، 440580 رکورد از 147028 دام برای تحلیل باقی ماند. تحلیل آماری اولیه با استفاده از رگرسیون لجستیک انجام شد. در مرحله دوم، به منظور پیش بینی وقوع ناهنجاری های جفت ماندگی، مرده زایی و سقط جنین، شش الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، بیز ساده، درخت تصمیم، جنگل تصادفی، بردار پشتیبان و XGBoost در محیط R پیاده سازی گردید و برای آن 16 ویژگی پیش بینی کننده استفاده شد. داده ها پس از پیش پردازش، به نسبت 80 به 20 به مجموعه های آموزش و آزمون تقسیم شدند. با توجه به نامتوازن بودن داده ها، تکنیک کم نمونه برداری برای ایجاد تعادل کلاس ها اجرا شد و 10 مجموعه آموزشی متوازن تولید شد. تنظیم فراپارامترها با تفکیک داخلی داده های آموزش انجام گرفت. مدل های نهایی بر اساس داده های آزمون ارزیابی شدند. برای سنجش عملکرد مدل ها از معیارهای دقت، AUC، MCC، TPR، FPR و F1-score طی 10 تکرار استفاده شد. مقایسه آماری الگوریتم ها با آزمون توکی صورت گرفت. نتایج بخش اول نشان داد عوامل محیطی مانند شاخص THI و همچنین وقوع ناهنجاری های مقدم نظیر سخت زایی و دوقلوزایی نقش معناداری در افزایش بخت وقوع جفت ماندگی و مرده زایی داشتند (05/0>P). همچنین فاکتور مدیریتی مانند فاصله زایش تا اولین تلقیح شانس وقوع سقط جنین را به طور معناداری افزایش داد (05/0>P). همچنین طول دوره خشکی و نمره وضعیت بدنی، از دیگر فاکتورهای مدیریتی، نقش قابل ملاحظه ای بر وقوع ناهنجاری های مذکور داشتند(05/0>P). در مطالعه دوم نشان داده شد که الگوریتم XGBoost (78/0= AUC) و جنگل تصادفی (78/0= AUC) به طور قابل توجهی از سایر الگوریتم ها بهتر عمل نمودند؛ در حالی که XGBoost بالاترین امتیاز F1 (41) را به دست آورد که نشان دهنده پتانسیل آن برای پیش بینی قابل اعتماد جفت ماندگی است. رگرسیون لجستیک و بیز ساده در پیش بینی ناهنجاری ها مقادیر AUC مشابهی داشتند که نشان دهنده احتمال کارآمدی کمتر آنها در این خصوص است. در تشخیص مرده زایی، الگوریتم جنگل تصادفی علی رغم صحت پایین تر نسبت به بیز ساده (74/0 در مقابل 81/0)، از نرخ مثبت واقعی (25/0= TPR) و AUC-ROC معادل 81/0 بهترین الگوریتم با ویژگی های استفاده شده در تشخیص مرده زایی بود. در پیش بینی وقوع سقط جنین، الگورتیم ها در معیارهای بررسی شده عملکرد مشابهی داشتند، اما با در نظر گرفتن سه معیار صحت، نرخ مثبت واقعی و F1-score، الگوریتم درخت تصمیم بهترین عملکرد را نشان داد. به طور کلی نتایج حاضر نشان داد با استفاده برخی از عوامل مدیریتی و تولید می توان ناهنجاری های مهم را در گاو شیری پیش بینی نمود. با توجه به هزینه های هنگفت هر یک از این ناهنجاری ها لزوم تقویت مداخلات پیشگیرانه و استفاده از مدل های پیش بینی مبتنی بر یادگیری ماشین بیش از پیش می توان حائز اهمیت باشد تا بتوان با بهبود شرایط مدیریتی، از زیان های اقتصادی گسترده در صنعت گاو شیری جلوگیری کرد.

کلمات کلیدی: یادگیری ماشین، گاو شیری، سقط جنین، مرده زایی، جفت ماندگی، شانس وقوع.