Body Performance Analysis with Machine Learning and ANOVA Methods
Notice bibliographique
Résumé
Detection of body performance with artificial intelligence using body data can provide a precise and objective evaluation of individuals' physical abilities. Artificial intelligence models can create personalized training programs and development plans by learning from large data sets. This can help athletes and fitness enthusiasts optimize their performance and reduce their risk of injury. Additionally, health professionals and coaches can make more effective and targeted interventions by making data-based decisions. In this study, it was aimed to predict the performances of athletes using body data. A dataset containing 13,393 rows of data in total was used. There are four classes in the dataset and they represent performance levels. Artificial Neural Network (ANN), Gradient Boosting (GB), Random Forest (RF) machine learning methods were used to classify the data. The cross validation method was used to objectively evaluate the results of the models. Confusion matrix and performance metrics were used to analyze the performance of the models. Classification successes and other performance metrics obtained as a result of the classification of the models were used to compare the performances of the models. The highest classification success of 74.5% was obtained from the ANN model. The lowest classification success was obtained from the RF model with 69.6%. ANOVA was used to examine the effects of the features in the dataset used on classification. The effects of the features were analyzed and their importance level was determined. It is thought that the proposed models can be used in applications by using them in performance analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».