Avaliação da aplicação de ensemble learning na predição do percentual de gordura corporal em adolescentes
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1282Palavras-chave:
Ensemble Learning, Gordura Corporal, Transição NutricionalResumo
Objetivo: O presente estudo teve como objetivo estimar o percentual de gordura corporal em adolescentes de São Luís/MA utilizando técnicas de aprendizado de máquina. Método: Foram usadas técnicas de ensemble com os algoritmos: Stacking, Bagging e adaboost. Resultado: Os resultados revelaram que o modelo de Stacking apresentou o melhor desempenho, com menor erro quadrático médio (MSE) e maior coeficiente de determinação (R²), indicando sua eficácia na explicação da variabilidade dos dados. Conclusão: O Stacking é o algoritmo mais indicado para predição de índice de gordura corporal em adolescentes, pois se adaptou muito bem aos dados devido à sua robustez, redução de overfitting e alto poder interpretativo.
Referências
Sousa Junior CM. Desenvolvimento de um sistema para triagem de adolescentes obesos utilizando variáveis clínicas [Tese]. São Luís: UFMA; 2019. 68 p.
Fonseca VM, Sichieri R, Veiga GV. Fatores associados à obesidade em adolescentes. Rev Saúde Pública. 1998;32:541-9.
Mattar R, et al. Obesidade e gravidez. Rev Bras Ginecol Obstet. 2009;31:107-110.
Wanderley EN, Ferreira VA. Obesidade: uma perspectiva plural. Ciência Saúde Colet. 2010;15:185-194.
Rezende FAC, et al. Aplicabilidade do índice de massa corporal na avaliação da gordura corporal. Rev Bras Med Esporte. 2010;16:90-94.
Zeballos L, et al. Avaliação da composição corporal total e segmentar de alunos do curso de nutrição pela densitometria por dupla emissão de raios-x. RBONE-Rev Bras Obes Nutr Emagrecimento. 2020;14(89):914-920.
Britto EP, Mesquita ET. Bioimpedância elétrica aplicada à insuficiência cardíaca. 2008.
Lopes NS. Modelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boosting. 2011.
Breiman L. Bagging predictors. Mach Learn. 1996;24:123-140.
Friedman JH. Greedy function approximation: a gradient boosting machine. Ann Stat. 2001;29(5):1189-1232.
Freund Y, Schapire RE. Experiments with a new boosting algorithm. In: International Conference on Machine Learning. 1996. pp. 148-156.
Schapire RE. The Boosting Approach to Machine Learning: An Overview. In: Nonlinear Estimation and Classification. Springer, New York, NY; 2012. pp. 149-171.
Ting KM, Witten IH. Issues in stacked generalization. J Artif Intell Res. 1999;10:271-289.
Oliveira LM. Classificação de dados sensoriais de cafés especiais com resposta multiclasse via Algoritmo Boosting e Bagging. 2016.
Pinho CMA, et al. Análise de textos com aplicação de técnicas de inteligência artificial: estudo comparativo para classificação de fuga ao tema em redações. 2021.
Oliveira Filho IL. Algoritmo papílio como método de proteção de templates para aumentar a segurança em sistemas de identificação biométricos. 2014.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
