预测自由生活个体的进食事件——技术报告
机器学习
2019-08-16 v1 机器学习
摘要
本技术报告记录了应用多种机器学习算法预测自由生活个体的进食与食物购买行为的实验。数据通过加速度计、全球定位系统（GPS）以及称为 SenseCam 的穿戴式相机，在 81 名来自不同年龄段和人口背景的个体上以一周为周期收集。这些数据被转化为来自传感器的分钟级特征，以及包含时间（例如距上次进食的时间）和环境上下文（例如到最近杂货店的距离）的构造特征。算法包括 Logistic 回归、RBF-SVM、随机森林和梯度提升。我们的结果显示，梯度提升模型在提前 0 至 4 分钟预测进食事件时具有最高的平均准确率得分（0.7289）。对于预测食物购买事件，RBF-SVM 模型（0.7395）优于其他模型。对于两种预测模型，时间和空间特征都是预测进食与食物购买事件的重要贡献因素。
引用
@article{arxiv.1908.05304,
title = {Predicting Eating Events in Free Living Individuals -- A Technical Report},
author = {Jiayi Wang and Jiue-An Yang and Supun Nakandala and Arun Kumar and Marta M. Jankowska},
journal= {arXiv preprint arXiv:1908.05304},
year = {2019}
}