PL: Zastosowanie metod uczenia maszynowego do przewidywania zawartości mięsa w tuszkach karpi na podstawie danych morfometrycznych | EN: Application of machine learning methods for predicting meat content in carp carcasses based on morphometric data

abstractPL: Niniejsze badanie miało na celu przewidzenie masy fileta ryby bez skóry na podstawie prostych pomiarów morfometrycznych, do których zaliczały się: masa całkowita, długość całkowita, długość ciała, długość tuszki, wysokość oraz grubość. Użyto statystyk opisowych do sprawdzenia rozkładu zmiennych oraz wyznaczenia podstawowych informacji o każdej zmiennej: średnia, odchylenie standardowe, wartość minimalna, kwantyle rzędu 25%, 50%, 75%, wartość maksymalna. Współczynnik Pearsona został użyty do określenia siły związku między zmiennymi. Wyniki analiz wskazują, że długość, wysokość i masa całkowita karpi są istotnie skorelowane z masą fileta bez skóry, natomiast wyliczone wskaźniki jakości tuszek są nisko skorelowane z tą samą masą. Następnie za pomocą wykresów pudełkowych została przeprowadzona detekcja obserwacji odstających, które zostały usunięte ze zbioru danych. Kolejny krok obejmował stworzenie zbioru testowego oraz uczącego się, które następnie zostały wykorzystane w procesie tworzenia modeli uczenia maszynowego. Spośród czterech zaimplementowanych modeli z sześcioma zmiennymi, najbardziej dopasowana do danych okazała się regresja liniowa z współczynnikiem determinacji R^2 wynoszącym 0.8288. Dodatkowo skonstruowano model oparty o dwie cechy morfometryczne, które mają największy udział w determinacji masy fileta bez skóry: długość tuszki oraz masę tuszki bez głowy. Model charakteryzuje się wyższą przewidywalnością rzeczywistej zawartości mięsa w porównaniu do wzorów regresji opartych na sześciu cechach morfometrycznych, co potwierdza mniejszy odchył wyrażony w procentach. Reasumując, badanie to dostarczyło wglądu w związek między masą fileta bez skóry, masą całkowitą, długością całkowitą, długością ciała, długością tuszki, wysokością oraz grubością ryb. Obliczone wskaźniki jakości tuszek okazały się nieinformatywne, dlatego w celu przeprowadzenia poprawnej predykcji, konieczne było zastosowanie modeli uczenia maszynowego, co może być przydatne w hodowli ryb i innych pokrewnych branżach.

abstractEN: This study aimed to predict the mass of skinless fish fillets based on simple morphometric measurements, which included total mass, total length, body length, carcass length, height, and thickness. Descriptive statistics were used to check the distribution of variables and to determine basic information for each variable: mean, standard deviation, minimum value, 25th, 50th, and 75th percentiles, and maximum value. Pearson’s correlation coefficient was used to determine the strength of the relationship between variables. The analysis results indicate that length, height, and total mass of carp are significantly correlated with the mass of the skinless fillet, whereas the calculated quality indices of carcasses are weakly correlated with the same mass. Outlier detection was then performed using box plots, and the outliers were removed from the dataset. The next step involved creating a test set and a training set, which were then used in the process of building machine learning models. Among the four implemented models with six variables, linear regression was the best fit for the data, with a coefficient of determination R^2 of 0.8288. Additionally, a model based on two morphometric traits that have the most significant impact on determining the mass of the skinless fillet carcass length and carcass weight without the head was constructed. This model has higher predictability of the actual meat content compared to regression models based on six morphometric traits, as evidenced by a smaller deviation expressed as a percentage. In conclusion, this study provided insight into the relationship between the mass of skinless fillets and total mass, total length, body length, carcass length, height, and thickness of the fish. The calculated quality indices of carcasses proved to be uninformative, which is why the application of machine learning models was necessary to make accurate predictions, which could be useful in fish farming and related industries.

status: finished