Work

Reducing Eating Disorder Questionnaires via Machine Learning and Cross-Validation

Year: 2025
Type: dissertation
Abstract: Antud uuringu eesmärk oli leida võimalikult lühike, kuid kehamassiindeksit (KMI) täpselt ennustav komplekt, mis tuleb kokku 318 küsimusega 11-st erinevast emotsiooni- ja söömishäirega küsimustikust. 990 Põhja-Ameerika õpilast (539 naist, 451 meest) jagati 80% treeningandmeteks ja 20% testandmeteks. Seejärel jooksutati nii Lasso mudelit, kui ka RFECV meetodit koos järgnevate mudelitega: mitmene regressioon, otsustuspuu ja XGBoost. Samuti häälestati ka hüperparameetrid korduva KFold ristvalideerimisega. XGBoost andis kõige paremaid tulemusi testandmestikuga valideerimisel (naistel R2=0.280, meestel R2=0.273). Stabiilsuslävendiga p > 90% valiti XGBoosti mudeli leitud tunnustest 57 sobivat meeste küsimust ja 37 naiste küsimust. Meeste KMI'd ennustasid peamiselt DEBQ ja AUDIT küsimustikud, naistel oli variatiivsus suurem. Masinõpe on võimeline vähendama tunnuste arvu selliselt, et KMI ennustusvõime säilib tugev.
Author: Kadaja, Karl Martin
Institution: University of Tartu
Language: Estonian
Field: Psychology
Open Access status: green
OpenAlex ID: W7081702563
Cites: 23
Cited by:
Related to: 8