An Efficient TabNet-Based Obesity Classification and Risk Prediction System Optimized with Dove Flocking Optimizer
Notice bibliographique
Résumé
Obesity is on the rise, and it has turned out to be a big challenge in healthcare. Simple and straightforward models are necessary to diagnose it. Thus, designed an arrangement named EfficientTabNet in the Obesity Diagnosis and Decision System Optimised with Dove Flocking Optimizer (ETN-OD-DFO). To clean up the data using the High Accuracy Distributed Kalman Filter (HADKF) first, though. It assists in eliminating noise, equalising the data, and ensuring it is all consistent. The processed data is analysed using the Efficient TabNet (ETN) model. This is an attention-based model that can be used to select significant features and easily integrate multiple kinds of data. The settings are also adjusted with the Dove Flocking Optimizer (DFO). It is a bio inspired approach which assists in the search of the optimal solutions by imitating the process of flocking of birds. Our system has been tested on the Obesity Dataset having 2,111 records and 17 features. Our model achieves approximately 97.46-percent accuracy, 97.12-percent precision and 97.05-percent F1-score. It wins over the fundamental ETN by approximately$6-8 \%$. Also, the MCC and Kappa scores increased by more than 9 percent and the log loss decreased by 82.22. This demonstrates the effectiveness of using ETN-OD-DFO system in diagnosing obesity. Biology is easy to comprehend and inspired. It is a full 4 seconds slower to execute, although it usually produces more impressive results.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».