Instructions to use nanda010101/sakit-learn-models with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Scikit-learn
How to use nanda010101/sakit-learn-models with Scikit-learn:
from huggingface_hub import hf_hub_download import joblib model = joblib.load( hf_hub_download("nanda010101/sakit-learn-models", "sklearn_model.joblib") ) # only load pickle files from sources you trust # read more about it here https://skops.readthedocs.io/en/stable/persistence.html - Notebooks
- Google Colab
- Kaggle
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
- -