National and Kapodistrian University of Athens
Recommendation systems στις επικρατέστερες μορφές εκγύμνασης
Abstract
dc:descriptionΣτις μέρες μας, είναι, πλέον, ευρέως γνωστά τα οφέλη της άσκησης και η επιτακτικότητα ένταξής της στην καθημερινότητά μας. Τόσο από ιατρικής όσο και από ψυχολογικής άποψης, η βελτίωση της φυσικής μας κατάστασης, μοιάζει να αποτελεί τη λύση σε ένα μεγάλο εύρος καταστάσεων που καλούμαστε να αντιμετωπίσουμε καθημερινά. Μάλιστα, τα τελευταία χρόνια, παρουσιάζεται μια γενικότερη παγκόσμια τάση προς έναν πιο υγιεινό τρόπο ζωής. Αυτό εκφράζεται τόσο μέσω διατροφικών επιλογών αλλά, φυσικά, και άνθιση των γυμναστηριακών δραστηριοτήτων. Μάλιστα, η ποικιλία και το εύρος επιλογών ως προς τη μορφή, την ένταση και τον τρόπο εκγύμνασης, έτσι ώστε να εξυπηρετούνται οι στόχοι αλλά και οι προσωπικές προτιμήσεις του καθενός. Βασικός σκοπός διεξαγωγής της συγκεκριμένης έρευνας είναι η ανάπτυξη και η συγκριτική αξιολόγηση τριών διαφορετικών μοντέλων αλγορίθμων: 1. ΚΝΝ (K Nearest Neighbors), 2. Random Forest Classifier & 3. XGBoost Classifier , με στόχο την ανάδειξη του ακριβέστερου μοντέλου σύστασης στην διαδικασία επιλογής τρόπου εκγύμνασης. Οι διαδικασίες επεξεργασίας, ανάλυσης και πρόβλεψης των δεδομένων πραγματοποιήθηκαν με τη χρήση βιβλιοθηκών και εργαλείων "Python". Φυσικά, πρέπει να αναφέρουμε πως για την διεκπαιρέωση της παραπάνω διεργασίας απαιτείται μελέτη και κατανόηση της φυσικής κατάστασης & των επίπεδων εκγύμνασης του πληθυσμού στις μέρες μας, των επικρατέστερων μεθόδων προπόνησης καθώς αναγνώριση και ανάλυση των παραγόντων που επηρεάζουν τα επίπεδα αυτά. Συνοψίζοντας τα αποτελέσματα της μελέτης, κατανοούμε πως δεν υπάρχει μοντέλο σύστασης με ξεκάθαρη υπεροχή σε όλες τις μορφές άσκησης. Αν αναγκαζόμασταν να επιλέξουμε ένα και μοναδικό σύστημα πρόβλεψης για όλες τις μορφές άσκησης, πιθανότατα η επικρατέστερη επιλογή να ήταν η μέθοδος XGBoost, επειδή οι περισσότερες μορφές άσκησης ανήκουν στην κατηγορία που η συγκεκριμένη μέθοδος καλύπτει στον πιο αποτελεσματικό βαθμό, αλλά και επειδή ακόμα και στις κατηγορίες που δεν κατάφερε να αποδώσει σε επίπεδα ακριβείας ίσα με τα μέγιστα, οι προβλέψεις της δεν ήταν σε καμία κατηγορία οι ελλιπέστερες, ή δεν παρουσίαζαν ανησυχητικές αποκλίσεις από την καλύτερη επιλογή. Όμως, η καλύτερη δυνατή επιλογή που θα μπορούσαμε να κάνουμε, είναι να αναγνωρίσουμε τα δυνατά σημεία της κάθε μεθόδου και να αναθέσουμε τις προβλέψεις ανά μορφή άσκησης στη μέθοδο εκείνη που μπορεί να ανταποκριθεί καλύτερα. Η κάθε μέθοδος ανταποκρίνεται καλύτερα σε διαφορετικά δεδομένα, σε διαφορετικές μεταβλητές και τύπους προβλημάτων. Είναι ίσως ανώφελο να αναζητάμε μια βέλτιστη λύση σε όλα τα προβλήματα πρόβλεψης. Αντίθετα, το πιο σοφό και επαγγελματικό, είναι να αναθέσουμε στη κάθε μέθοδο την κατηγορία εκείνη στην οποία οι υποβόσκουσες μέθοδοι και τα συστήματα που χρησιμοποιεί ταιριάζουν άριστα και οδηγούν στις ακριβέστερες προβλέψεις.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Κότσιφα Δήμητρα
- Kotsifa Dimitra
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:3368434