Obesity Status Classifier β€” Ensemble LightGBM + MLP

Model klasifikasi status obesitas (4 kelas: Underweight, Normal, Overweight, Obesity) dari kebiasaan hidup dan karakteristik dasar (usia, tinggi badan, pola makan, aktivitas, transportasi, dll). Model yang dideploy adalah ensemble probabilitas 0.5 x LightGBM + 0.5 x MLP (scikit-learn), lengkap dengan preprocessing di dalam pipeline.

Bukan alat diagnosis medis. Model hanya untuk skrining/edukasi dan dilatih pada data survei terbatas.

Data

  • Sumber: Obesity Dataset (Koklu & Sulak, 2024), 1.610 baris, 14 fitur, 4 kelas. Tanpa missing value dan duplikat.
  • Distribusi kelas: Underweight 73, Normal 658, Overweight 592, Obesity 287 (tidak seimbang).
  • Rentang usia 18-54 tahun, tinggi 150-193 cm. Model tidak valid di luar rentang ini.
  • Split: 80 % latih / 20 % uji (stratified, seed 42).

Metode

  • Fitur: 14 fitur asli, tanpa feature engineering dan tanpa feature selection.
  • Preprocessing: recode biner, one-hot untuk moda transportasi, StandardScaler.
  • Skenario yang dideploy: D: + SMOTE + Tuning (SMOTE pada data latih di dalam pipeline; hyperparameter dituning dengan RandomizedSearchCV, macro-F1, 5-fold).
  • Ensemble: P = 0.5 x P(LightGBM) + 0.5 x P(MLP); bobot tetap, tidak dituning.

Hasil pada data uji (n = 322)

Model Accuracy Precision (macro) Recall (macro) F1 (macro) ROC-AUC (OvR)
LightGBM 0.845 0.877 0.785 0.818 0.968
MLP 0.829 0.784 0.830 0.803 0.961
Ensemble 0.5/0.5 0.863 0.852 0.821 0.834 0.970

F1-score per kelas untuk model yang dideploy:

Kelas F1
Underweight 0.741
Normal 0.909
Overweight 0.831
Obesity 0.855

Cara menggunakan

from huggingface_hub import snapshot_download
import sys
path = snapshot_download("username/obesity-ensemble-lgbm-mlp")
sys.path.insert(0, path)
from inference import load_model, predict

model, config = load_model(local_dir=path)
sample = dict(Sex=1, Age=45, Height=172, Overweight_Obese_Family=1, Consumption_of_Fast_Food=1,
              Frequency_of_Consuming_Vegetables=1, Number_of_Main_Meals_Daily=3, Food_Intake_Between_Meals=3,
              Smoking=2, Liquid_Intake_Daily=2, Calculation_of_Calorie_Intake=2, Physical_Exercise=3,
              Schedule_Dedicated_to_Technology=2, Type_of_Transportation_Used=1)
print(predict(model, config, sample))

Kode fitur mengikuti kamus data dataset (lihat config.json bagian feature_schema). Aplikasi Streamlit tersedia di app.py (pip install -r requirements.txt && streamlit run app.py). Gunakan versi library pada requirements.txt karena berkas model.joblib adalah pickle scikit-learn.

Keterbatasan

  • Usia sangat berkorelasi dengan kelas pada data ini sehingga model dapat memanfaatkannya sebagai jalan pintas; generalisasi ke populasi lain belum teruji.
  • Tanpa berat badan/BMI; data kuesioner rentan bias pelaporan; kelas Underweight sangat sedikit (73 sampel).
  • Hubungan fitur-kelas adalah asosiasi, bukan sebab-akibat.

Sitasi data

Koklu, N., & Sulak, S.A. (2024). Using artificial intelligence techniques for the analysis of obesity status according to the individuals' social and physical activities. Sinop Universitesi Fen Bilimleri Dergisi, 9(1), 217-239. https://doi.org/10.33484/sinopfbd.1445215

Periksa ketentuan lisensi dataset sebelum mengubah lisensi model pada metadata di atas.

Downloads last month
-
Inference Providers NEW
This model isn't deployed by any Inference Provider. πŸ™‹ Ask for provider support