Убедитесь, что вы не подвержены риску многих серьезных заболеваний, рассчитав процентное содержание жира в организме.

Что такое телесный жир?

Жир тела включает в себя весь накопленный жир в вашем теле. Существует два типа жировых отложений:

  • Подкожный жир: это слой жира под кожей. Он изолирует и защищает ваше тело.
  • Висцеральный жир: это жир, который окружает и смягчает органы брюшной полости.

Преимущества жировых отложений

  • Изоляция и защита вашего тела,
  • Обеспечивает энергией,
  • Содержит жирорастворимые витамины,
  • вырабатывает определенные гормоны и
  • Служит строительным материалом для клеточных мембран.

Вред лишнего жира в организме

  • сердечное заболевание
  • гладить
  • ишемическая болезнь сердца
  • диабет 2 типа
  • и многое другое :(

Знание жировых отложений может поддерживать хороший обмен веществ и предотвращать риск серьезных заболеваний. Во-первых: узнать свой процент жира в организме.

Что такое процент жира в организме?

Процент жира в организме — это процент жира, составляющий общую массу тела. Как рассчитать:

  • Бод-капсула: ± 32000 долларов США
  • DEXA сканирование: ± 16000 долларов США
  • Биоэлектрический импеданс: ± 3300 долларов США
  • Измерения кожной складки: ± 300 долларов США.
  • Гидростатическое взвешивание: ± 100 долларов США
  • Прогнозирование с помощью регрессии машинного обучения: БЕСПЛАТНО

Прогнозирование жировых отложений с помощью машинного обучения — регрессия:

% жира в организме = 0,28 + 0,08 Возраст (год) — 0,31 Рост (дюйм)
+ 0,78 Живот (см) — 0,01 Колено(см) + 0,08 Лодка(см)
+ 0,17 Бицепс(см)— 2,32 Запястье (см)

Как машинное обучение оценивает жировые отложения?

Создание модели для оценки процента жира в организме с помощью измерений окружности тела

Шаг:

  1. Очистка данных: обработка отсутствующих значений и повторяющихся данных
  2. Понимание данных: статистическая сводка, одномерный и многомерный анализ
  3. Проверка мультиколлинеарности
  4. Подгонка модели: линейная, гребенчатая и лассо-регрессия
  5. Оценка модели: ошибка обучения и тестирования

Очистка данных

Убедитесь, что данные не являются мусором, чтобы прогноз был успешным.

Понимание данных

  1. Статистическая сводка

1. При просмотре минимальных и максимальных значений все столбцы казались приемлемыми, кроме 0 жировых отложений.
2. При просмотре среднего и медианного > (50%), распределение всех переменных имеет примерно симметричное распределение.

2. Одномерный анализ

Некоторые выбросы кажутся необоснованными, например. высота = 30 дюймов.
Выброс НЕ ПОДХОДИТ для линейной регрессии, поэтому удалите выброс

3. Многофакторный анализ

Похоже, что все переменные коррелируют, видя шаблон. Это НЕ ХОРОШО для линейной регрессии. Удалить несколько переменных

Проверка мультиколлинеарности

Необходимо исключить несколько переменных: вес, грудь, бедро, шея, бедро, предплечье.

Примерка модели

Оценка модели

На основе матричной оценки лучшей моделью является регрессия Лассо.

% жира в организме = 0,28 + 0,08 возраст - 0,31 рост + 0,78 живот - 0,01 колено + 0,08 голеностоп + 0,17 бицепс- 2,32

Хотите узнать больше о процессе и программах Python, проверьте это: https://github.com/AbigailTsani/Portfolio/blob/main/Body_Fat_Prediction.ipynb

Кредит: Спасибо https://www.kaggle.com/datasets/fedesoriano/ за данные