Vücut Yağ Yüzdesi Tahmini İçin Özellik Seçim Yöntemlerinin Karşılaştırılması

Yıl 2023, , 2068 - 2093, 24.10.2023

Asude Altıparmak Bilgin , Burhan Baraklı

https://doi.org/10.29130/dubited.1115703

Öz

Çağımızın yaygın olarak görülen sağlık problemlerinden biri olan obezite, kişinin yaşam kalitesine olumsuz etkisinin yanında birçok rahatsızlığa da sebep olmaktadır. Vücut yağ yüzdesi, obezitenin teşhis edilmesinde en önemli göstergedir. Vücut yağ yüzdesinin hızlı, kolay, maliyetsiz ve yüksek doğruluk ile belirlenmesi ise en az obezitenin teşhis edilebilmesi kadar önemlidir. Antropometrik verilerden hesaplanabilen vücut yağ yüzdesi değerini makine öğrenmesi algoritmaları ile güvenli bir şekilde hesaplamak mümkündür. Ancak yüksek boyutlu, alakasız ve gereksiz veriler makine öğrenmesi algoritmalarının doğruluğunu saptırmakta ve modelin eğitim süresini arttırmaktadır. Makine öğrenmesi algoritmalarını daha az özellik ile kullanarak daha yüksek doğruluğun elde edilmesini sağlayan özellik seçim algoritmaları bulunmaktadır. Bu çalışmada vücut yağ yüzdesi tahmini için yedi farklı özellik seçim algoritması karşılaştırılıp daha az özellik ile daha yüksek doğrulukta sonuçların elde edilmesi sağlanmıştır. Özellik seçim yöntemlerinin farklı modellere etkisini incelemek için dört makine öğrenmesi yöntemi kullanılmıştır. Bu makine öğrenmesi algoritmalarının eğitim süreleri karşılaştırılmıştır. Deneysel çalışmalar sonucunda özellik seçim yöntemleri kullanılarak daha az özellik ile modelin eğitimi için daha kısa süre harcanarak daha yüksek doğrulukta tahminler elde edilebileceği gösterilmiştir.

Anahtar Kelimeler

Özellik seçimi, Makine öğrenmesi, Vücut yağ yüzdesi

Kaynakça

• C. J. Laviea, A. D. Schuttera, P. Partoa, E. Jahangira, P. Kokkinosb, F. B. Ortegac, R. Arenad and R. V. Milania, “Obesity and Prevalence of Cardiovascular Diseases and Prognosis- The Obesity Paradox Updated,” Progress in Cardiovascular Diseases, vol. 58, no. 5, pp. 537-547, 2016.
• F. McLellan, “Obesity rising to alarming levels around the world,” The Lancet, vol. 359, no. 9315, pp. 1412, 2002.
• C. L. Edelman, C. L. Mandle and E. C. Kudzma, “Health promotion throughout the life span-e-book,” Elsevier Health Sciences, 2017.
• E. Sukic´, A. Katic´, E. Stokic´, A. Kupusinac and O. Rankov, “What kind of relationship is between body mass index and body fat percentage?,” J. Med. Syst., vol. 41, pp. 1-5, 2016.
• A. Kupusinac, E. Stokić and R. Doroslovački, “Predicting body fat percentage based on gender, age and BMI by using artificial neural networks,” Computer Methods and Programs in Biomedicine, vol. 113, no. 2, pp. 610-619, 2014.
• P. Raj, W. Leslie, L. Lix, and S. Majumdar, “Relationship Among Body Fat Percentage, Body Mass Index, and All-Cause Mortality,” Annals of Internal Medicine, vol. 164. No. 8, ss. 532-543, 2016.
• B. Baraklı ve A. Küçüker, “Karar Destek Makineleri ve Rastgele Orman Ağaçları Yöntemleri ile Vücut Yağ Yüzdesinin Tahmini,” Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 6, s. 4, ss. 430-445, 2018.
• M. K. Uçar, Z. Uçar, F. Köksal, and N. Daldal, “Estimation of body fat percentage using hybrid machine learning algorithms,” Measurement, vol. 167, 2021.
• G. Chandrashekar, F. Sahin, "A survey on feature selection methods," Computers & Electrical Engineering, vol. 40, no. 1, 2014, pp.16-28.
• A. Kupusinac, E. Stokić and R. Doroslovački, “Predicting body fat percentage based on gender, age and BMI by using artificial neural networks,” Computer Methods and Programs in Biomedicine, vol. 113, no. 2, pp. 610-619, 2014.
• Y. E. Shao, “Body Fat Percentage Prediction Using Intelligent Hybrid Approaches,” The Scientific World Journal, vol. 2014, 2014.
• T. Ferenci, and L. Kovács, “Predicting body fat percentage from anthropometric and laboratory measurements using artificial neural networks,” Applied Soft Computing, vol. 67, pp. 834-839, 2018.
• F. Keivanian, R. Chiong and Z. Hu, “A Fuzzy Adaptive Binary Global Learning Colonization-MLP model for Body Fat Prediction,” 2019 3rd International Conference on Bio-engineering for Smart Technologies (BioSMART), Paris, France, 2019, pp. 1-4.
• R. Chiong, Z. Fan, Z. Hu and F. Chiong, “Using an improved relative error support vector machine for body fat prediction,” Computer Methods and Programs in Biomedicine, vol. 198, p. 105749, 2020.
• S.A. Hussain, N. Cavus, and B. Sekeroglu, “Hybrid Machine Learning Model for Body Fat Percentage Prediction Based on Support Vector Regression and Emotional Artificial Neural Networks,” Appl. Sci. vol. 11, s. 9797, 2021.
• K. W. DeGregory, P. Kuiper, T. DeSilvio, J. D. Pleuss, R. Miller, J. W. Roginski, C. B. Fisher, D. Harness, S. Viswanath, S. B. Heymsfield, I. Dungan and D. M. Thomas, “A review of machine learning in obesity,” Obesity Reviews, vol. 19, no. 5, pp. 668-685, 2018.
• V. N. Vapnik, The Nature of Statistical Learning Theory, 1st ed., New York, USA, Springer, 1995, pp. 15-32.
• E. Pekel, “Estimation of soil moisture using decision tree regression,” Theoretical and Applied Climatology, vol. 139, pp. 1111-1119, 2020.
• G. Fan, S. E. Ong and H. C. Koh, “Determinants of House Price: A Decision Tree Approach,” Urban Studies, vol. 43, no. 12, pp. 2301–2315, 2006.
• (2022, May 01). Decision Trees. [Online]. Available: https://scikit-learn.org/stable/modules/tree.html#regression
• M. R. Segal, “Machine Learning Benchmarks and Random Forest Regression,” UCSF: Center for Bioinformatics and Molecular Biostatistics, 2004.
• V. Svetnik, A. Liaw, C. Tong, J. C. Culberson, R. P. Sheridan, and B. P. Feuston, “Random Forest: A Classification and Regression Tool for Compound Classification and QSAR Modeling,” J. Chem. Inf. Comput. Sci., vol. 43, pp. 1947-1958, 2003.
• M. Awad, and R. Khanna, Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers, Apress, pp. 67-80, 2015.
• V. Cherkassky, and Y. Ma, “Practical selection of SVM parameters and noise estimation for SVM regression,” Neural Networks, vol. 17, no. 1, 2004, pp. 113-126.
• K. Ito and R. Nakano, “Optimizing Support Vector regression hyperparameters based on cross-validation,” Proceedings of the International Joint Conference on Neural Networks, Oregon, USA, 2003, pp. 2077-2082.
• A. J. Smola, and B. Schölkopf, “A tutorial on support vector regression,” Statistics and Computing, vol. 14, 2004, pp. 199-222.
• A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed., California, USA, O’Reilly, 2019.