Muitas pessoas que estão presas na rotina de prática são um desafio de enfrentar. No entanto, uma equipe de pesquisa da Universidade da Universidade está usando o aprendizado de máquina que mantém as pessoas comprometidas em seus treinos.
Espera-se que a educação física do partido, Shengbak Lee e Ju-Pil CHO e Professor de Saúde, Ciência e Entretenimento de Analytics de Esporte, prevejam se a pessoa está encontrando seus órgãos, demográficos e estilo de vida.
Eles testaram dados de cerca de 30.000 pesquisas. Para obter rapidamente um conjunto de dados tão grande, eles se transformaram em aprendizado de máquina, uma maneira de identificar padrões e prever com base nas informações.
Resultados do grupo, natureza publicada no portfólio de periódicos Relatório Científico Oportuno, Kong w
“A obesidade da atividade física com diretrizes é uma preocupação de saúde pública”, disse ele, “devido à prevenção da prevenção de doenças e relacionamento com a saúde geral”. “Queríamos usar técnicas analíticas avançadas de dados como o aprendizado de máquina para prever esse comportamento”.
O Escritório de Prevenção de Doenças e Promoção da Saúde, parte do Departamento de Saúde e Serviços Humanos dos EUA, sugere que os adultos devem ser notados por pelo menos 150 minutos de prática moderada por semana, ou uma prática vigorosa de 75 minutos.
Pesquisas mostram que o americano médio gasta apenas duas horas por semana em atividade física – metade das quatro horas propostas pelos centros de controle e resistência da doença.
Li, Cho e Kong usaram dados públicos da National Health and Nutrition Testes, uma pesquisa patrocinada pelo governo, 25-5.
“Nosso objetivo é usar o aprendizado de máquina para adivinhar se as pessoas seguem as diretrizes da atividade física com base no interrogatório e na descoberta da melhor combinação de variáveis para as previsões certas”, disse Choi Choi Choi. “Variáveis demográficas, como sexo, idade, raça, status educacional, estado civil e renda, foram consideradas com sistemas etnográficos, como IMC e cintura”.
Ele disse que os pesquisadores e para entender o consumo de álcool, tabagismo, emprego, estilo de sono e seu impacto na atividade física de uma pessoa
Os resultados mostraram que as três principais causas–como gasto muito tempo em sentar, seu gênero e seu nível de educação-o modelo foi consistentemente exibido em todos os principais modelos de desempenho que prevêem os hábitos de exercício, mesmo depois de identificar diferentes variáveis como importantes.
Segundo Cher, esses fatores são especialmente importantes para entender quem é ativo e socialmente conectado e podem ajudar a orientar futuras recomendações de saúde.
“Espero que as razões como gênero, IMC, nação ou idade sejam importantes para o nosso modelo de previsão, mas estou surpreso ao ver como sou um status educacional significativo”, disse ele. “Embora mais inerente ao corpo, esses fatores como gênero, IMC e idade são mais inerentes ao corpo, a condição educacional é uma causa externa” “”
Durante a análise, os pesquisadores excluíram doenças e reações específicas dos dados ausentes da atividade física. Criou dados relevantes de 11.683 participantes.
Os pesquisadores dizem que o aprendizado de máquina lhes dá mais liberdade para estudar dados. Os métodos antigos esperam que as coisas sigam um padrão de linha reta e não funcionem bem se algumas peças forem muito semelhantes.
O aprendizado de máquina não possui esse limite, portanto, pode encontrar padrões com maior flexibilidade.
“Um restaurante do nosso estudo estava usando os dados da atividade física sujeitos a subjetivamente, onde os participantes relembram suas atividades de memória”, disse Cho. “Quando as pessoas usam o questionário, as pessoas aumentam sua atividade física; portanto, os dados objetivos mais precisos melhorarão a confiabilidade do estudo”.
Por esse motivo, os pesquisadores dizem que podem usar o mesmo método para pesquisas futuras neste caso, mas podem explorar vários fatores, incluindo suplementação alimentar, dependendo de dados objetivos, em vez de mais algoritmo de aprendizado de máquina ou dados auto-explicados.
Pode ajudar os instrutores e consultores de fitness a criar métodos de exercícios que as pessoas podem realmente levar muito tempo.
