TY  - JOUR
T1  - Development of Physical Fitness Prediction Models for Turkish Secondary School Students Using Machine Learning Methods
TT  - Türk Ortaokul Öğrencileri için Makine Öğrenmesi Yöntemleri Kullanılarak Fiziksel Uygunluk Tahmin Modelleri Geliştirme
AU  - Akay, Mehmet Fatih
AU  - Çetin, Ebru
AU  - Yarım, İmdat
AU  - Bozkurt, Özge
AU  - Erdem, Sevtap
PY  - 2018
DA  - November
Y2  - 2018
DO  - 10.17714/gumusfenbil.435897
JF  - Gümüşhane Üniversitesi Fen Bilimleri Dergisi
PB  - Gümüşhane Üniversitesi
WT  - DergiPark
SN  - 2146-538X
SP  - 7
EP  - 10
LA  - en
AB  - Physicalfitness is a set of attributes that are either health or skill-related whichcan be measured with specific tests. Maintaining physical fitness is essentialfor health and wellbeing. However, since measurement of physical fitnessrequires improved professional equipment, experienced staff and lots of time,researchers need different ways to determine physical fitness. The aim of thisstudy is to develop new prediction models for predicting the physical fitnessof Turkish secondary school students by using machine learning methodsincluding Support Vector Machines (SVM), Radial Basis Function Neural Network(RBFNN) and Tree Boost (TB). The dataset comprises data of various number ofsubjects according to the target variables such as the test scores of the 30mspeed, 20m stage run, balance and agility. The predictor variables used todevelop the prediction models are gender, age, height, weight, body fat, numberof curl-up and push-ups in 30 seconds. Root Mean Square Error (RMSE) has beenutilized to assess the performance of the prediction models. Based on theresults we can conclude that SVM based prediction models outperform othermodels based on RBFNN and TB. Also, the predictor variables body fat, push-upand curl-up play a significant role when used all together for physical fitnessprediction.
KW  - Physical fitness
KW  - Machine learning
KW  - Prediction
N2  - Fizikseluygunluk, belirli testlerle ölçülebilen sağlık veya beceri ile ilgili bir diziözelliktir. Fiziksel uygunluğu korumak sağlık ve esenlik için çok önemlidir.Ancak, fiziksel uygunluğun ölçülmesi profesyonel ekipman, deneyimli personel veçok zaman gerektirdiğinden,araştırmacıların fiziksel uygunluğu belirlemek için farklı yollara ihtiyaçlarıvardır. Bu çalışmanın amacı, Destek Vektör Makineleri (SVM), Radyal TabanlıFonksiyon Sinir Ağı (RBFNN) ve Ağaç Artımı (TB) gibi makine öğrenmeyöntemlerini kullanarak Türk ortaokul öğrencilerinin fiziksel uygunluğunutahmin etmek için yeni tahmin modelleri geliştirmektir. Veri seti 30m hız, 20maşama koşusu, denge ve çeviklik testlerinin sonuçlarından oluşan veriyi içermektedir.Tahmin modellerini geliştirmek için kullanılan tahmin değişkenleri cinsiyet, yaş, boy, kilo, vücut yağı, 30saniyedeki mekik ve şınav sayılarından oluşmaktadır. Tahmin modellerininperformansı Ortalama Karesel Hata (RMSE) kullanılarak hesaplanmıştır.Sonuçlar, SVM tabanlı tahmin modellerinin, RBFNN ve TB'ye dayanan diğermodelleri geride bıraktığını göstermektedir. Ayrıca, fiziksel uygunluk tahminiiçin vücut yağı, mekik ve şınav gibi tahmin değişkenlerinin birliktekullanılması durumunda sonuçlar üzerinde önemli bir rol oynadığını gösterilmiştir.
CR  - Abut, F., Akay, M.F., Sow, B. and George, J. 2015. Support Vector Machines for Prediction of Endurance        Times Involving Isometric Side Bridge Exercise Test, Third International Symposium on Engineering, Artificial Intelligence & Applications (ISEAIA2015), North Cyprus, pp. 7-9.
CR  - Ahmed, M.U., Loutfi, A.,  2013. Pyhsical Activity Identification using Supervised Machine Learning and based  on Pulse  Rate, International Journal of Computer Science and Applications, Publication 4(7).
CR  - Chuang, C.C., Lee, Z.C., 2011. Hybrid robust support vector machines for regression without liers, Applied Soft Computing.
CR  - Dijkhuis,T.B., Blaauw, F.,  Ittersum,M. W., Aiello, M. 2018. Personalized Physical Activity Coaching : A Machine  Learning Approach, in Sensors, 18(2), p.623.
CR  - Fergus, P., Hussain,A., Hearty, J., Fairclough,S.,  Boddy, L., Machintoch, K.A., Stratton,G., Ridgers, N.D. and Radi, N. 2015. A Machine Learning Approach to Measure and Monitor Physical Activity in Children to Help Fight Overweight and Obesity,  Intelligent Computing Theories and Methodologies: 11th International Conference, ICIC 2015, Fuzhou, China, pp. 676-688.
CR  - Hannan, S.A., Manza, R.R., Ramteke, R.J. 2010. Generalized Regression Neural Network and Radial Basis Function for    Heart Disease Diagnosis, International Journal of Computer Applications, Volume 13, Issue 2, ISBN: 10.5120/1325-1799.
CR  - Hoffman, J., 2006. Norms for Fitness, Performance and Health, Human Kinetics Publishers, ISBN-13:                9780736054836, 97–104.
CR  - Reichherzer, T., Timm, M., Earley, N., Reyes, N., 2017. Using Machine Learning Techniques to Track Individuals & Their Fitness Activities,  In A. Bossard, G. Lee, & L. Miller (Eds.), Proceedings of 32nd International Conference on Computers and Their Applications, Honolulu, Hawaii, USA, pp. 119–124.
CR  - Wang, L., 2005. Support Vector Machines: Theory and Applications, Springer Science & Business Media, Volume 177, 1st Edition: ISBN: 978-3-540-32384-6.
UR  - https://doi.org/10.17714/gumusfenbil.435897
L1  - https://dergipark.org.tr/tr/download/article-file/585583
ER  -