Πρωτότυπος Τίτλος:
Εξόρυξη γνώσης από δεδομένα διατροφικών συνηθειών και τρόπου ζωής
Συγγραφέας:
Πότση, Μαρίνα
Επιβλέπων καθηγητής:
Βαρλάμης, Ηρακλής
Περίληψη:
Το θέμα που μελετήθηκε στην παρούσα πτυχιακή είναι η εξόρυξη γνώσης από δεδο-
μένα διατροφικών συνηθειών και τρόπου ζωής. Τα δεδομένα, τα οποία είχαν συλλεχθεί
από ερωτηματολόγια, δόθηκαν από την κ. Γιαννακούλια Μαρία, μέλος της ερευνητικής
ομάδας HELIAD. Τα χαρακτηριστικά του συνόλου δεδομένων περιέχουν συνήθειες που
αφορούν τη διατροφή των ανθρώπων άνω των 65 ετών, καθώς και δύο διατροφικούς δείκτες: το ΒΜΙ (Δείκτη Μάζας Σώματος) και έναν δείκτη για τον κίνδυνο του υποσιτισμού (Determine).
Στόχος της πτυχιακής είναι η χρήση εργαλείων της εξόρυξης δεδομένων και της μηχανικής μάθησης έτσι ώστε να ανακαλυφθούν πρότυπα για την εξαγωγή χρήσιμων συμπερασμάτων για τα δεδομένα. Έτσι προσδιορίζονται οι συσχετίσεις που υπάρχουν μεταξύ
των χαρακτηριστικών και καθενός από τους δείκτες. Αυτό μας βοηθάει να καταλάβουμε ποια χαρακτηριστικά του συνόλου δεδομένων περιέχουν την μέγιστη πληροφορία όσον αφορά τους δείκτες, και τι διατροφικές συνήθειες έχουν οι άνθρωποι που βρίσκονται σε κίνδυνο για υποσιτισμό. Επιπλέον, γίνεται μια προσπάθεια συσχέτισης των διατροφικών
συνηθειών και δεικτών με παθήσεις που εμφανίζονται κυρίως στους ηλικιωμένους, όπως για παράδειγμα η άνοια.
Το σύνολο δεδομένων έχει πολλές διαστάσεις, επομένως χρησιμοποιήθηκε η τεχνική της Ανάλυσης Πρωταρχικών Συνιστωσών (PCA), με σκοπό τη μείωση των διαστάσεων του συνόλου, διατηρώντας όσο περισσότερο γίνεται την διασπορά των αρχικών δεδομένων.
Οι αλγόριθμοι κατηγοριοποίησης που συγκρίθηκαν είναι οι SVM, Logistic Regression, Gaussian Naive Bayes, Decision Tree και Random Forest. Τα αποτελέσματα των μετρικών για το SVM είναι καλύτερα σε σχέση με τις μετρικές των υπολοίπων, δηλαδή προβλέπει καλύτερα σε ποια κατηγορία ανήκει ένα καινούριο δείγμα.
μένα διατροφικών συνηθειών και τρόπου ζωής. Τα δεδομένα, τα οποία είχαν συλλεχθεί
από ερωτηματολόγια, δόθηκαν από την κ. Γιαννακούλια Μαρία, μέλος της ερευνητικής
ομάδας HELIAD. Τα χαρακτηριστικά του συνόλου δεδομένων περιέχουν συνήθειες που
αφορούν τη διατροφή των ανθρώπων άνω των 65 ετών, καθώς και δύο διατροφικούς δείκτες: το ΒΜΙ (Δείκτη Μάζας Σώματος) και έναν δείκτη για τον κίνδυνο του υποσιτισμού (Determine).
Στόχος της πτυχιακής είναι η χρήση εργαλείων της εξόρυξης δεδομένων και της μηχανικής μάθησης έτσι ώστε να ανακαλυφθούν πρότυπα για την εξαγωγή χρήσιμων συμπερασμάτων για τα δεδομένα. Έτσι προσδιορίζονται οι συσχετίσεις που υπάρχουν μεταξύ
των χαρακτηριστικών και καθενός από τους δείκτες. Αυτό μας βοηθάει να καταλάβουμε ποια χαρακτηριστικά του συνόλου δεδομένων περιέχουν την μέγιστη πληροφορία όσον αφορά τους δείκτες, και τι διατροφικές συνήθειες έχουν οι άνθρωποι που βρίσκονται σε κίνδυνο για υποσιτισμό. Επιπλέον, γίνεται μια προσπάθεια συσχέτισης των διατροφικών
συνηθειών και δεικτών με παθήσεις που εμφανίζονται κυρίως στους ηλικιωμένους, όπως για παράδειγμα η άνοια.
Το σύνολο δεδομένων έχει πολλές διαστάσεις, επομένως χρησιμοποιήθηκε η τεχνική της Ανάλυσης Πρωταρχικών Συνιστωσών (PCA), με σκοπό τη μείωση των διαστάσεων του συνόλου, διατηρώντας όσο περισσότερο γίνεται την διασπορά των αρχικών δεδομένων.
Οι αλγόριθμοι κατηγοριοποίησης που συγκρίθηκαν είναι οι SVM, Logistic Regression, Gaussian Naive Bayes, Decision Tree και Random Forest. Τα αποτελέσματα των μετρικών για το SVM είναι καλύτερα σε σχέση με τις μετρικές των υπολοίπων, δηλαδή προβλέπει καλύτερα σε ποια κατηγορία ανήκει ένα καινούριο δείγμα.
Ημερομηνία κατάθεσης:
2016-10-24
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Τεχνολογία της πληροφορίας
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Διατροφή (Γενικά). DRI’s
Διαιτολογία (Γενικά)
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Διατροφή (Γενικά). DRI’s
Διαιτολογία (Γενικά)
Λέξεις-κλειδιά:
Εξόρυξη γνώσης, διατροφικά δεδομένα, μηχανική μάθηση, κατηγοριοποίηση, ανάλυση πρωταρχικών συνιστωσών
Περιγραφή:
65 σ., πίν., σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
