基于LOF前处理与机器学习算法的奶牛乳房炎预警模型构建

来源：中国畜牧兽医杂志2026年第6期北京时间：

作者：曹陆柳, 赵秀新, 刘燕, 苑昭伟, 杨健, 王晓, 李荣岭, 吴慧光, 李建斌

单位：1.扬州大学兽医学院，扬州 2250092.山东省农业科学院畜牧兽医研究所，济南 2501003.山东奥克斯畜牧种业有限公司，济南 2501004.江苏省人兽共患病学重点实验室（扬州大学），扬州 2250095.江苏高校动物重要疫病与人兽共患病防控协同创新中心，扬州 225009

摘要：目的 基于规模牧场常规奶牛生产性能测定（DHI）数据，结合局部离群因子（LOF）算法进行数据优化，构建低成本、高效的乳房炎早期预警模型。 方法 收集山东地区3个规模化牧场2024年的DHI数据及乳房炎患病记录，在预处理后引入LOF算法，剔除健康样本中异常值。特征工程中删除高相关变量，对胎次和季节进行分类处理。数据集按牛号随机划分为训练集、验证集和测试集，采用类别权重调整处理不平衡数据。使用XGBoost、LightGBM、随机森林（RF）和人工神经网络（ANN）算法建模，使用混淆矩阵计算的准确率（ACC）、灵敏度（SEN）、特异性（SPE）和受试者工作特征（ROC）曲线下面积（AUC）进行评估。 结果 统计分析显示，≥3胎奶牛的患病风险为初产牛的4.81倍，夏季患病风险为春季的4.39倍。LOF处理前，XGBoost在测试集的AUC为0.725，ACC为0.714；LOF处理后，XGBoost模型的AUC提升至0.757，ACC提升至0.728。基于特征重要性排序的特征子集分析显示，全特征的模型AUC和ACC分别为0.758和0.729，而使用最重要6个特征的模型预测效果与前者相当，AUC和ACC分别为0.757和0.728。特征重要性分析显示，体细胞数、胎次及采样季节是预测乳房炎的关键指标。 结论 本研究将LOF算法引入DHI数据的预处理环节，系统验证了其在优化数据质量、提升乳房炎预警模型性能方面的有效性，且该方法基于牧场现有DHI检测体系，无需额外硬件，具有低成本、易推广的特点，为规模化牧场提供了一套实用的疾病监测解决方案。

关键词：奶牛;乳房炎;体细胞数;生产性能测定;局部离群因子;XGBoost

基金资助：财政部和农业农村部：国家现代农业产业技术体系(CARS-36);“十四五”国家重点研发项目(2021YFF1000701-06);国家农业重大科技项目(NK20221201)