Estimativa dos Níveis de Obesidade com Base em Hábitos Alimentares e Condição Física Através de Técnicas de Aprendizado de Máquina
Resumo
Obesidade é uma doença crônica que assola diversos países acarretando prejuízos como dificuldade respiratória e do aparelho locomotor, alterações metabólicas, problemas cardiovasculares e até o óbito, no caso extremo. Nessa perspectiva, é avaliar o desempenho dos o objetivo deste estudo inicial classificadores, a saber, Floresta aleatória e Máquina de Vetor de Suporte, ao estimar os níveis de obesidade, com os dados do conjunto "Estimation of obesity levels based on eating habits and physical condition Data Set". Sob a validação cruzada e HoldOut, os resultados preliminares indicam uma média de acurácia com SVM em torno de 87,84% e e RF em torno de 95,18%. Além disso, notamos que nossa abordagem foi capaz de melhor reconhecer os casos de sobrepeso e obesidade. Enquanto que nesses casos, o trabalho mais recente negligencia de forma mais crítica, até mesmo classificando de forma incorreta o grau mais severo de obesidade. Assim, comparando nossos resultados com os trabalhos relacionados, conclui-se que os modelos estudados são adequados ao problema haja vista os resultados atigindos.Referências
World Health Organizaion, “Obesity: preventing and managing the global epidemic,” 2000.
A. R. d. O. Pinheiro, S. F. T. d. Freitas, and A. C. T. Corso, “Uma abordagem epidemiológica da obesidade,” Revista de Nutrição, vol. 17, no. 4, pp. 523–533, 2004.
E. C. C. d. S. Bulsing et al., “Asma, índice de massa corporal e sintomas respiratórios: um estudo de base populacional,” 2019.
E. N. Wanderley and V. A. Ferreira, “Obesidade: uma perspectiva plural,” Ciência & Saúde Coletiva, vol. 15, pp. 185–194, 2010.
C. N. Freitas, F. R. Cordeiro, and V. Macario, “Myfood: A food segmentation and classification system to aid nutritional monitoring,” in 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE, 2020, pp. 234–239.
A. M. da Rocha Fernandes, M. B. Pinheiro, and A. G. Nazário, “Aplicação de Algoritmos de Aprendizado de Máquina no Apoio a Elaboração de Planos Nutricionais,” Brazilian Journal of Development, vol. 6, no. 8, pp. 60 935–60 944, 2020.
A. De la Hoz Manotas, E. De la Hoz Correa, F. Mendoza, R. Morales, and B. Sanchez, “Obesity Level Estimation Software based on Decision Trees,” Journal of Computer Science, vol. 15, p. 10, 01 2019.
F. M. Palechor and A. de la Hoz Manotas, “Dataset for estimation of obesity levels based on eating habits and physical condition in individuals from Colombia, Peru and Mexico,” Data in Brief, vol. 25, p. 104344, 2019. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2352340919306985
A. S. Selya and D. Anshutz, “Machine learning for the classification of obesity from dietary and physical activity patterns,” in Advanced Data Analytics in Health. Springer, 2018, pp. 77–97.
K. Jindal, N. Baliyan, and P. S. Rana, “Obesity prediction using ensemble machine learning approaches,” in Recent Findings in Intelligent Computing Techniques. Springer, 2018, pp. 355–362.
M. A. H. e. C. J. P. Eibe Frank, “Data Mining: Practical Machine Learning Tools and Techniques,” 2016. [Online]. Available: https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
A. R. d. O. Pinheiro, S. F. T. d. Freitas, and A. C. T. Corso, “Uma abordagem epidemiológica da obesidade,” Revista de Nutrição, vol. 17, no. 4, pp. 523–533, 2004.
E. C. C. d. S. Bulsing et al., “Asma, índice de massa corporal e sintomas respiratórios: um estudo de base populacional,” 2019.
E. N. Wanderley and V. A. Ferreira, “Obesidade: uma perspectiva plural,” Ciência & Saúde Coletiva, vol. 15, pp. 185–194, 2010.
C. N. Freitas, F. R. Cordeiro, and V. Macario, “Myfood: A food segmentation and classification system to aid nutritional monitoring,” in 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE, 2020, pp. 234–239.
A. M. da Rocha Fernandes, M. B. Pinheiro, and A. G. Nazário, “Aplicação de Algoritmos de Aprendizado de Máquina no Apoio a Elaboração de Planos Nutricionais,” Brazilian Journal of Development, vol. 6, no. 8, pp. 60 935–60 944, 2020.
A. De la Hoz Manotas, E. De la Hoz Correa, F. Mendoza, R. Morales, and B. Sanchez, “Obesity Level Estimation Software based on Decision Trees,” Journal of Computer Science, vol. 15, p. 10, 01 2019.
F. M. Palechor and A. de la Hoz Manotas, “Dataset for estimation of obesity levels based on eating habits and physical condition in individuals from Colombia, Peru and Mexico,” Data in Brief, vol. 25, p. 104344, 2019. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2352340919306985
A. S. Selya and D. Anshutz, “Machine learning for the classification of obesity from dietary and physical activity patterns,” in Advanced Data Analytics in Health. Springer, 2018, pp. 77–97.
K. Jindal, N. Baliyan, and P. S. Rana, “Obesity prediction using ensemble machine learning approaches,” in Recent Findings in Intelligent Computing Techniques. Springer, 2018, pp. 355–362.
M. A. H. e. C. J. P. Eibe Frank, “Data Mining: Practical Machine Learning Tools and Techniques,” 2016. [Online]. Available: https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
Publicado
18/10/2021
Como Citar
LOPES, Leonardo Ferreira; OLIVEIRA, Adonias Caetano de; BRITO, Rhyan Ximenes de; OLIVEIRA, Saulo Anderson Freitas de; RAPOSO NETO, Luiz Torres.
Estimativa dos Níveis de Obesidade com Base em Hábitos Alimentares e Condição Física Através de Técnicas de Aprendizado de Máquina. In: WORKSHOP DE TRABALHOS EM ANDAMENTO - CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), 34. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 154-157.
DOI: https://doi.org/10.5753/sibgrapi.est.2021.20029.
