Comparison of classical machine learning methods in the task of obesity level classification
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Autorzy: | Biesaga Paweł, Powroźnik Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Wolumen/Tom: | 40 |
| Strony: | 304 - 312 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 września 2026 |
| Abstrakty: | angielski |
| Obesity is a critical public-health problem amenable to data-driven risk assessment. We compare eight classical classifiers on the UCI ObesityDataSet (2087 samples, 7 classes) under a leakage-free protocol: stratified 10-fold cross-validation, randomised-search tuning, pairwise McNemar and Wilcoxon tests with Holm–Bonferroni correction, and multi-method interpretability (split gain, SHAP, permutation, LIME). XGBoost reached 96.17 % test accuracy (F1 = 0.962, κ = 0.955); paired tests show no significant edge over tuned LightGBM, SVM-RBF, Random Forest or Logistic Regression. All four importance measures rank body weight and height first, and LIME recovers BMI-based thresholds, supporting gradient boosting for clinical decision support. |
