An investigation of ensemble learning techniques for obesity risk prediction using lifestyle data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Obesity disease is a significant health issue and has affected millions of people worldwide. Identifying underlying reasons for the onset of obesity risk in its early stage has become challenging for medical practitioners. The growing volume of lifestyle data related to obesity has made it imperative to employ effective machine-learning algorithms that can gather insights from the underlying data trends and identify critical patient conditions. In this study, an ensemble learning approach including boosting, bagging, and voting techniques was used for obesity risk prediction based on lifestyle dataset. Specifically, XGBoost, Gradient Boosting, and CatBoost models are used for boosting, Bagged Decision Tree, Random Forest, and Extra Tree models are used for bagging, and Logistic Regression, Decision Tree, and Support Vector Machine models are used for voting. Different preprocessing steps were employed to improve the quality assessment of the data. Hyperparameter tuning and feature selection and ranking are also used to achieve better prediction results. The considered models are extensively evaluated and compared using various metrics. Among all the models, XGBoost performed better with an accuracy of 98.10%, precision and recall of 97.50%, f1-score of 96.50%, and AUC-ROC of 100%, respectively. Additionally, weight, height, and age features were identified and ranked as the most significant predictors using the recursive feature elimination method for obesity risk prediction. Our proposed model can be used in the healthcare industry to support healthcare providers in better predicting and detecting multiple stages of obesity diseases. • Exploratory data analysis is performed to prepare the dataset for better experimental usability. • Nine algorithms using boosting, bagging, and voting, enhance classifier diversity for obesity risk prediction. • Hyperparameter tuning using grid search selects the best parameters for training ensemble learning models. • Model performances were validated using metrics like accuracy, precision, recall, and F1-score. • The proposed XGB model showed better results compared to other recent research works.
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.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle