Evaluación de la aplicación de ensemble learning en la predicción del porcentaje de grasa corporal en adolescentes
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1282Palabras clave:
Aprendizaje en Conjunto, Grasa Corporal, Transición NutricionalResumen
Objetivo: El presente estudio tuvo como objetivo estimar el porcentaje de grasa corporal en adolescentes de São Luís/MA utilizando técnicas de aprendizaje automático. Método: Se emplearon técnicas de conjunto con los algoritmos Stacking, Bagging y AdaBoost. Resultados: Los resultados revelaron que el modelo de Stacking mostró el mejor rendimiento, con un menor error cuadrático medio (MSE) y un mayor coeficiente de determinación (R²), lo que indica su efectividad en explicar la variabilidad de los datos. Conclusión: El Stacking es el algoritmo más adecuado para predecir el índice de grasa corporal en adolescentes, ya que se adaptó bien a los datos debido a su robustez, reducción de sobreajuste y alto poder interpretativo.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
