Εξόρυξη γνώσης από δεδομένα διατροφικών συνηθειών και τρόπου ζωής

 
Το τεκμήριο παρέχεται από τον φορέα :
Χαροκόπειο Πανεπιστήμιο
Αποθετήριο :
Βιβλιοθήκη & Κέντρο Πληροφόρησης ΕΣΤΙΑ
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο




2016 (EL)
Εξόρυξη γνώσης από δεδομένα διατροφικών συνηθειών και τρόπου ζωής

Πότση, Μαρίνα

Το θέμα που μελετήθηκε στην παρούσα πτυχιακή είναι η εξόρυξη γνώσης από δεδο-μένα διατροφικών συνηθειών και τρόπου ζωής. Τα δεδομένα, τα οποία είχαν συλλεχθείαπό ερωτηματολόγια, δόθηκαν από την κ. Γιαννακούλια Μαρία, μέλος της ερευνητικήςομάδας HELIAD. Τα χαρακτηριστικά του συνόλου δεδομένων περιέχουν συνήθειες πουαφορούν 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 μεταξύτων 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 διατροφικώνσυνηθειών 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.

graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)

ανάλυση πρωταρχικών συνιστωσών
κατηγοριοποίηση
διατροφικά δεδομένα
μηχανική μάθηση
Εξόρυξη γνώσης

Χαροκόπειο Πανεπιστήμιο (EL)
Harokopio University (EN)

2016-10-24


Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.