ارایه یک مدل پیش بینی رژیم غذایی با استفاده از سیستم استنتاج عصبی- فازی

امروزه کشف دانش از مجموعه عظیمی از داده ها بسیار حایز اهمیت بوده به طوری که داده کاوی به عنوان یکی از کاراترین ابزارهای تحلیل داده و اطلاعات توجه بسیاری را به خود جلب کرده است. کاربرد تکنیک های متفاوت طبقه بندی داده ها و کشف الگو در حوزه های مختلفی مانند سیستم بانکداری، مدیریت و پزشکی و غیره شاهدی بر این مدعاست. رژیم های غذایی موضوعی است که از دیرباز مورد توجه متخصصان علم تغذیه قرارداشته و امروزه با توجه به اینکه اکثر افراد دچار بیماری چاقی و یا اضافه وزن هستند ضرورت بیشتری پیدا کرده است. در گذشته روش های بسیاری با استفاده از مدلسازی و بدون در نظر گرفتن عدم قطعیت پارامترها، رژیم های غذایی متفاوتی را تولید کردند که می توان صحت و صحت این روش ها را با در نظرگرفتن عدم قطعیت افزایش داد. در این تحقیق ابتدا انواع روش های طبقه بندی داده مورد مقایسه و ارزیابی قرار گرفته و سپس، به بررسی نتایج حاصل از سه روش نزدیکترین همسایه، نزدیکترین همسایه فازی و مدل پیشنهادی بر اساس سیستم استنتاج عصبی- فازی در پیش بینی نوعی رژیم غذایی پرداخته می شود.در این پژوهش سعی بر آن است تا مناسب ترین روش پیش بینی رژیم غذایی، با در نظر گرفتن عدم قطعیت انتخاب شود تا بتواند با توجه به میزان چاقی و یا لاغری و همچنین، وضعیت سلامت یک فرد به او رژیم مناسبی پیشنهاد دهد. برای این منظور، ابتدا میزان کالری مورد نیاز فرد بر اساس وضعیت جسمانی، پارامترهای بیو شیمیایی و میزان تحرک او اندازه گیری می شود و سپس با استفاده، از اطلاعات موجود در پایگاه دانش و با استفاده از سیستم عصبی- فازی پیشنهادی رژیم مناسبی تولید می گردد. نتایج حاصل بر این استدلال دارند که روش پیشنهادی مبتنی بر سیستم استنتاج عصبی- فازی، با مدل کردن عدم قطعیت موجود در معیارهای مورد استفاده، نسبت به دو روش دیگر دارای صحت بیشتری بوده و با در نظر گرفتن عدم قطعیت، صحت و صحت پیش بینی رژیم غذایی را در حدود 9/0 بهبود داد.

کلیدواژه ها:

داده کاوی ، طبقه بندی ، پیش بینی رژیم غذایی ، روش استنتاج فازی-عصبی ، عدم قطعیت ، روش K نزدیکترین همسایه(KNN) ، K نزدیکترین همسایه فازی(FKNN)