机器学习饮食成功预测的启示
人机交互
2015-10-19 v1 计算机与社会
摘要
为支持人们减肥并保持健康，越来越多的健身应用涌现，具备追踪卡路里摄入与消耗的能力。此类应用的用户是更广泛的“量化自我”运动的一部分，且许多选择公开分享其记录数据。本文中，我们使用超过4000名长期活跃的MyFitnessPal用户的公开食物日记来研究（不）成功饮食的特征。具体地，我们训练机器学习模型预测反复超出或低于自设每日卡路里目标，然后查看哪些特征对模型预测有贡献。我们的发现既包括预期结果，例如令牌“mcdonalds”或类别“dessert”指示超出卡路里目标，也包括较不明显的如猪肉与禽肉在节食成功上的差异，或“quick added calories”功能的使用指示卡路里超标。本研究也暗示了使用此类数据进行更深入数据挖掘的可行性，例如考察消耗食物间的交互如混合富含蛋白和碳水化合物的食物。据我们所知，这是首个关于公开食物日记的系统研究。
引用
@article{arxiv.1510.04802,
title = {Insights from Machine-Learned Diet Success Prediction},
author = {Ingmar Weber and Palakorn Achananuparp},
journal= {arXiv preprint arXiv:1510.04802},
year = {2015}
}
备注
Preprint of an article appearing at the Pacific Symposium on Biocomputing (PSB) 2016 in the Social Media Mining for Public Health Monitoring and Surveillance track